Hallo. Dank Du für Beitritt uns Heute
für unser Präsentation An,
"Messung Ändern In Medikamentengestützte Behandlung
für Teilnehmer In Projekt ECHO Verwendung Verwaltung Gesundheitspflege Ansprüche"
Wir Sind aufgeregt Zu Aktie Wie Wir verwenden JMP als a Schlüssel Werkzeug In unser analytisch arbeiten.
Nächste gleiten, Bitte.
Mein Name Ist Erica Pflanzen Und I Bin a Senior wissenschaftlich Daten Analytiker
bei Die Institut für Gesundheit Politik Und Üben
bei Die Universität von Neu Hampshire.
I Bin beigetreten von Dr. Michelle Capozzoli, Senior Dozent
In Die Abteilung von Mathematik Und Statistiken,
Auch bei Die Universität von Neu Hampshire.
Weder Michelle noch I haben Konflikte von Interesse Zu offenlegen.
Nächste gleiten, Bitte.
Vor Wir beschreiben unser arbeiten,
I würde wie Zu bieten a knapp Überblick An Projekt ECHO.
Projekt ECHO War gegründet In 2003 von Dr. Sanjeev Arora
bei Die Universität von Neu Mexiko.
Dr. Arora Ist a Arzt Spezialisierung In Gastroenterologie Und Hepatologie.
Er War Sehen Patienten mit Hepatitis C Die bei alarmierend Preise
Weil Sie könnte nicht Zugang Pflege
für Das behandelbar Krankheit In a rechtzeitig Benehmen.
Er gesucht Zu bringen Anbieter zusammen Zu bilden a Gemeinschaft von üben
Wo Ärzte Und andere Spezialisten dürfen lernen aus jede andere.
ECHO Ist ein "alle unterrichten, alle lernen" Modell,
Und Die Sitzungen Sind oft zentriert um a Schlüssel Ausgabe oder Zustand.
Der Universität von Neu Hampshire gestartet es ist Projekt ECHO Nabe In 2018
Und hat seit produziert a Nummer von ECHO Programme,
einschließlich Die Partnerschaft für Akademisch Klinisch Telepraxis, Medikamente
für Sucht Behandlung, oder PACT-MAT.
Nächste gleiten, Bitte.
Der primär Ziel von PACT-MAT ECHO Ist
Zu Zunahme Die Nummer von Krankenschwester Praktiker Studenten
In Absolvent Und postgraduales Programme WHO erhalten Verzicht Ausbildung,
anwenden für Die Verzicht, Und anschließend verschreiben ZUSAMMEN MIT.
Zweitens, Die Projekt sucht Zu Zunahme Anbieter selbst- Wirksamkeit
In Verwaltung Patienten mit Substanz- verwenden Störung.
Der Programm entwickelt a Lernen Gemeinschaft
Das ermöglicht a Kultur Das verstanden Sucht
als a chronisch Krankheit Und War vorbereitet Zu Adresse
Die Reichweite von Probleme Das entstand während Die Verfahren von Behandlung.
Speziell, Das Programm fokussiert An alle Teilnehmer Werden kompetent
Und kulturell kompetent In Verschreibung Und Behandlung SÜDEN,
als Also als Verbesserung Kapazität Und Eigenschaften von Dienstleistungen verfügbar
Zu Patienten In ihre Gemeinschaften durch ihre Anbieter.
Nächste gleiten, Bitte.
Nach Die Fertigstellung von Die Erste PACT-MAT Sitzung,
Die Team War interessiert In Antwort manche Fragen
um Die PACT-MAT ECHO durch Ansprüche Daten Analyse.
Aber Hier ist manche Kern Information um Die analytisch Projekt.
Der analytisch Zeitraum von Interesse War aus 2018 durch Juni 2020.
Das War Zu erfassen Daten vor und danach Die Erste PACT-MAT ECHO Sitzung.
Der Projekt War finanziert
von Die Substanz Missbrauch Und Mental Gesundheit Dienstleistungen Verwaltung ( SAMHSA),
als Teil von 150.000 3 Jahre gewähren.
Der Projekt Rektor Ermittler War Dr. Marcy Doyle.
Wir war wollen Zu fragen a wenige Fragen um Die tatsächlich ECHO Programm
Und Wie Wir war fähig Zu sehen Wenn Anbieter Praktiken hatte geändert
nach Genau genommen teilnehmen In Die ECHO.
Und Die Center für Gesundheit Analysen von Informatik
bei Die Institut für Gesundheit Politik Und Üben bei UNH.
War glücklich genug Zu haben Zugang Zu Gesundheitspflege, administrative Ansprüche,
Und Einschreibung Daten für kommerziell Und Neu Hampshire Medicaid Richtlinien.
Daher, Die CHA Team War gebracht hinein Die Forschung Projekt
Zu sammeln Und Aggregat Die Daten,
Und UNH Abteilung von Mathematik Und Statistiken War gebracht In
Zu bauen Modelle Und durchführen Analyse.
Nächste gleiten, Bitte.
Und diese Sind Die Fragen Das Wir gefragt als unser Kern Forschung Fragen.
Tat Die PACT-MAT ECHO Serie haben ein Auswirkungen
An Teilnehmer ZUSAMMEN MIT Verschreibung Praktiken?
Und dürfen Wir erfolgreich durchführen a Fall/ Kontrolle Studie An Anbieter
Verwendung administrative Ansprüche Daten?
Nächste gleiten, Bitte.
Wann sammeln Gesundheit Pflege Ansprüche,
Wir enthalten alle Mitglieder Alter null Zu 64 WHO hatte medizinische
Und Apotheke Einschreibung In Die Monat von Interesse.
PACT-MAT Teilnehmer selbst- berichtete ihre Name, Titel NPI,
Organisation Name Und Adresse, Und ihre Verzicht Status.
Wir kreuzen- Bezug genommen Das Daten gegen CMS National Planen
Und Anbieter Aufzählung System, Auch bekannt als Die NPPES Registrierung.
In Die Fälle von a Fehlpaarung zwischen Die selbst- berichtete Daten
Und Die NPPES Registrierungsstelle Die selbst berichtete Daten War berücksichtigt
Die am meisten hoch Zu Datum Und War gebraucht für Die Analyse.
Information An unser Kontrolle Gruppe War Quelle nur aus Die NPPES.
Nächste gleiten, Bitte.
Und Ansprüche reflektieren Wenn eins oder mehr Service Linien enthalten
ein ZUSAMMEN MIT Verfahren Code oder Arzneimittel Code,
Sie war Auch markiert
wenn ein Opioidbezogen Störung Diagnose Code War gefunden.
Medizinisch Anbieter war ausgewählt als haben in Rechnung gestellt für ZUSAMMEN MIT Wenn bei am wenigsten
eins Service Linie enthalten ihre NPI oder eins von Die ZUSAMMEN MIT CPT Codes.
Verschreibung Anbieter war ausgewählt als haben vorgeschrieben ZUSAMMEN MIT wenn zumindest
eins Apotheke Service Linie enthalten ihre NPI als Die Verschreibender
Und bei am wenigsten eins von Die ZUSAMMEN MIT NDC Codes.
Der Fall Und Kontrolle Bevölkerungen jede hatte zwei Paare von Datensätze.
Nächste gleiten, Bitte.
Eins Paar für jede Versicherung Typ, kommerziell oder Neu Hampshire Medicaid.
Der Erste Datum enthalten Dort Die Anbieter NPI Und Information,
als Also als gesamt Zuschlagstoffe von Monat von alle Anbieter
Patienten Und Ansprüche.
Patienten mit Opioid- Verwenden Störung (ALT),
Patienten mit beliebig Medikamente unterstützt Behandlung,
Und Patienten mit beide ALT Und ZUSAMMEN MIT.
Der zweite Datensatz bereitgestellt Die Dasselbe Datensatz als Die Erste Daten Satz...
Dasselbe Daten als Die Erste Daten Satz, mit die Aggregation
bei Die Mitglied demografische Ebene,
solch als Alter, Kategorie, County, Und Sex.
NEIN identifizierbar Mitglied Daten War angewandt Zu Die Statistiker.
Jetzt Ich bin gehen Zu passieren Die Präsentation Zu Mein Kollege, Dr. Capozzoli.
Dank Du, Erica.
Einmal Wir erhalten Die Daten.
Der Daten War Genau genommen analysiert von Rebecca L. Park.
Sie War a UNH Master Student unter Die Aufsicht von ich selbst
Und Dr. Philip Ramsey.
Wir erhalten Die drei Daten Sets.
Eins War Die Praktiker Demografie solch als Name,
National Anbieter Kennung, Titel, üben Adresse.
Der andere zwei war Die Ansprüche Datensätze.
Eins für Die Medicaid Und eins für Die kommerziell.
Also Die Original Daten War äußerst groß
für beide Die kommerziell Und für Medicaid
für jede Praktiker, Es verfolgt jede von ihre ZUSAMMEN MIT Patienten Geschichte
über Die Studie Zeitraum.
Also Die Original Gedanke War versuchen Zu...
Verwenden ihre Muster von Verhalten von ihre Patienten über Zeit.
Ganz schnell, Es wurde ersichtlich Das Das Ansatz War a wenig bisschen problematisch
Und Auch Wir lief hinein manche Datenschutz Gesetze In versuchen Zu machen Sicher
Das alle Identifizierung Markierungen war nicht verfügbar.
Also Was Wir tat War Wir geschärft In
An mehrere von Die Variablen für Die Demografie.
Also Wir geschärft In An Die National Anbieter Kennung,
ihre Titel, Und Die Stadt von ihre üben.
Und Dann aus Die Ansprüche Daten, Wir fokussiert In An Die Monat Und Jahr.
Also Das Spuren Was Monat Und Jahr
Das Wir war Suche bei.
Der Phase von Die Programm War Die Vorher,
Also Das Ist Vor vor ECHO,
Laufend Ist während ECHO, Beitrag ist offensichtlich nach ECHO.
Also Dann Wir aggregiert Die Daten Und Also stattdessen von Suche bei
jeder einzel besuchen, Was Wir sah bei war Monate
Und Wir sah bei geduldig Summen.
Also Die Erste, Wir offensichtlich sah bei War Die Nummer von Patienten gesamt
für Das Praktiker während Das Monat,
Die Nummer von Patienten mit Opioid-U mit Störung,
Die Nummer von Patienten WHO hatte beliebig ZUSAMMEN MIT,
Die Nummer von Patienten mit ALT WHO hatte beliebig ZUSAMMEN MIT.
Weiter, Wann Suche bei Die Medicaid
gegen Die kommerziell Pflege, während Die explorativ Analyse,
Es wurde ersichtlich Das Wir war gehen Zu brauchen Zu Fokus In An Die Medicaid Daten
fällig Zu Die niedrig geduldig Zahlen In Die kommerziell Pflege.
Also Hier für Beispiel, Wann Wir war Suche bei Es,
Es wurde ersichtlich;
Also An Durchschnitt Sie hatte eins geduldig pro Monat mit jede MAT.
Und Also Was Wir war tun War da ist a viel von spärlich Daten Hier
Und Es War Nur nicht förderlich Zu versuchen Zu fit Modelle.
Also Wir fokussiert In An Die Medicaid Daten.
Weiter, Wir anfänglich hatte 20 Anbieter
welche Wir hatte Zu reduzieren runter Zu neun Anbieter.
Und Die Grund Sein Ist Das manche von Die Anbieter
hatte zu viele Monate von fehlen Daten.
Manche von ihnen, Wir hatte Zu beseitigen
Weil Die mehrheitlich von Die Monate Sie tat es nicht haben beliebig Patienten WHO hatte ZUSAMMEN MIT.
Und Dann weiter, als Wir begann Zu fit Die Modelle,
Es wurde ersichtlich Das Wir Auch benötigt a Minimum von 10 gesamt Patienten pro Monat.
Also Wir tat Ende hoch mit a sehr kleiner Probe Größe
als Wir hatte ursprünglich Gedanke Wir würde haben.
Der andere Stück, als Wir war Erkundung Die Daten,
Verwendung manche von Die Werkzeuge Das John bietet,
Wir bemerkt Das Die neun Praktiker hatte An Durchschnitt Die Nummer von Patienten
oder Nummer von gesamt Patienten unterschieden sich.
Also für Beispiel, Sie könnte haben,
I denken Es War zwischen a gesamt Reichweite von eins Zu 161 Patienten.
Also zwischen Das Und Dann Suche bei Die Trend über Zeit,
Also Wir sah bei Die Durchschnitt Nummer von Patienten gesamt
Und als Du beachten Das, Die Blau Linie,
Du beachten Das Nur In allgemein da ist ein Zunahme von Patienten über Zeit.
Wir Auch sah bei Die Durchschnitt Nummer von Patienten
mit Die Opioidkonsum D istorder
Und diese WHO hatte beliebig MAT und diese WHO war diagnostiziert
mit ALT Und hatte beliebig ZUSAMMEN MIT.
Und Wenn Du beachten, alle vier haben a ähnlich Trend von ein zunehmend Trend.
Also Zu Kampf Das, Weil Was Wir wollen Zu wissen Ist,
sind die Praktiker zunehmend ihre Verschreibung?
Nicht Das Sie Sind haben mehr bei Patienten über Zeit,
Wir normalisiert Die Daten von erstellen a neu Variable.
Also Was Wir erstellt War Die Anteil von Patienten
WHO hatte beliebig ZUSAMMEN MIT In Vergleich Zu Die gesamt Nummer von Patienten.
Und Die Grund Das Wir tat verwenden Die Patienten WHO hatte jede MAT
ist fällig Zu Die Tatsache Das a Diagnose von ein ALT tut haben a bestimmt Stigmatisierung.
Und Also Wir gefühlt Das Es würde Sei besser Zu sehen bei beliebig ZUSAMMEN MIT.
Also Analyse Überlegungen.
Aus Die Anfang Wir wusste Das Wir hatte
a klein Probe Größe von Praktiker, nur neun.
Der andere Ding Das wurde ersichtlich
durch a viel von Die grafisch Darstellungen von Die Daten
War Das Wir hatte a viel von Lärm.
Und Also In nehmen Das hinein Rücksichtnahme,
Wir entschieden Zu versuchen mehrere anders Ansätze.
Der Erste Ansatz War grundsätzlich, dein bedeutet Vergleich:
ANOVA und angepasste Paare.
Dann Wir Gedanke um bringen In Das Zeit Variable.
Und Also Wir tat sehen bei ihnen In mehrere anders Wege,
aus Nur einfach Lineare Regression, aus Die Anfang.
Wir tat halten Strukturell Gleichung Modelle.
Dr. Laura Castro- Shiloh aus JMP hatte kommen Zu eins von Dr. Ramseys Kurse
Und gegeben ein Gespräch An diese Modelle.
Also ursprünglich, Wann...
Wir war Suche bei Die Daten, Wir Gedanke Das diese Modelle
könnte Sei geeignet.
Aber Es wurde ersichtlich schnell Weil von Die Schwierigkeiten Das Wir hatte
Das Sie Nur war nicht Arbeiten für uns.
Also Die nächste, Wir funktionierte mit Segmentierte Regression.
Das War gewählt
Weil In manche vorherige arbeiten mit Ansprüche Daten ,
Es War gebracht hoch Das Vielleicht Die Segmentierte Regression würde arbeiten Also
Weil Wir hatte Daten Das War Suche bei vor Und Post.
Also Wir Gedanke Das mit unser Vorher, während und nachher,
Das Vielleicht Die Segmentierte Regression würde Sei geeignet.
Wir Auch sah bei Exponentiell Regression Und Logistik Regression.
Wir Auch sah bei ihre Verallgemeinert Regression Modelle
Und einschließlich Nur Die regulär Und Dann null- aufgeblasen Poisson,
Binomial, Und Negativ Binomial Modelle.
Und Die Grund Warum Wir entschieden Zu sehen bei Die Poisson,
Und Binomial Und Negativ Binomial Ist
Die Daten Ist inhärent Das Es hat Zählungen Und Also Wir Gedanke Das Vielleicht
diese könnte Sei geeignet.
Und Also Was Ich bin gehen Zu Fokus An Heute Sind Die Bedeutet Vergleich,
Die Segmentierte Regression Und Die null- aufgeblasen Poisson
Und Das Ist gehen Zu Sei für beide Nur Suche bei Die ECHO Gruppe
Und Dann Die Übereinstimmend Paare Vergleich Die Kontrolle Gruppe Zu Die ECHO Gruppe.
Also Die Erste Analyse ignoriert Die Zeit Variable
Und war Nur Suche bei Durchschnittswerte.
Was ist Die Durchschnitt Anteil von Patienten In dein Vorher, fortlaufend Und Post.
Und Nur aus Die bedeutet, Es Ist schnell ersichtlich Und aus Die Graph
Das unser vor Phase Ist definitiv untere als Die laufend und posten.
Wir Auch getestet für die...
Weil Wir haben klein Probe mit Praktiker,
Wir tat sehen bei Die Varianz Und Wir zur Kenntnis genommen Das Wir tat haben ein Ausgabe
mit nicht- gleich Varianz Und Also Wir tat verwenden Welch's prüfen
stattdessen von Die traditionell ANOVA
Zu Benehmen Zu sehen Wenn Wir hatte Unterschiede zwischen Die Phasen Und offensichtlich Wir Tun.
Und Dann Zu bestimmen statistisch welche eins war anders,
Wir tat sehen bei Die Alle Paare Türkei- Kramer Prüfen.
Und Es tat bestätigen Das unser vor Phase War anders als Die laufend Und Post,
Aber Die laufend Und Post war sehr ähnlich.
Und Also Das gab uns manche...
Das offensichtlich Ist datieren Das Wir Tun haben manche Unterschiede.
Der ECHO Programm Ist Herstellung a Unterschied.
Also Das Segmentierte Regression, als I zur Kenntnis genommen vor,
War empfohlen Weil Wir Tun haben Die drei Phasen: Vorher, fortlaufend Und Post.
Und Wir war fähig...
Dr. Ramsey hatte empfohlen Das Wir verwenden a Skript
Das Ist Erledigt von David Burnham, von Handhaben Analysen.
Wenn Du Sind interessiert In Das Skript, Die Link Ist Hier An Die Webseite,
Es gibt Du Die Code Und Es Auch gibt Du
a sehr detailliert Beschreibung aus Linie Zu Linie,
Was Er Ist tun In Das Code.
Und Also was ist Happening Hier, Wann Wir lief Die Skript,
Wir war fähig Zu fit separate Regressionen Zu Die drei anders Phasen
als Also als erhalten Die fit,
ein R² und prüfen Die Bedeutung von Die Neigung.
Und Also wieder, war Sehen Das Muster Das Wir gesehen mit Die ANOVA.
Du Tun sehen Das Die vor Ist definitiv untere als Die laufend und posten.
Bedauerlicherweise, Die Hänge für alle von Die drei Phasen
war nicht bedeutsam.
Du dürfen Auch sehen Das Wir Tun haben a bedeutsam Menge von Variabilität.
Also Und was kommt als Nächstes? Wir berücksichtigt War Die Tatsache Das Wir hatte zwei Arten...
Oder zwei Kategorien von Praktiker;
Wir hatte diese WHO war Krankenschwester Praktiker, Arzt Assistenten;
Und Dann Wir hatte Die Ärzte.
Sogar obwohl Sie war klein Probe Größen.
Wir entschieden Zu sehen, "Okay, dürfen Wir sehen manche Art von a Signal?"
"Was Ist gehen An Hier?"
Und Wann Wir sah bei Die Krankenschwester Praktiker wieder,
Du sehen Das Verhalten von Die vor Sein untere als Die laufend Und Die Post.
Und Was Wir zur Kenntnis genommen Ist Das für Die vor Phase,
Wir Sind Sehen a wenig bisschen von a Bedeutung sogar obwohl Es Ist 0,07,
Es Ist sagen Das Dort Ist a Signal Hier Und Wir Tun haben etwas gehen An.
Bedauerlicherweise für Die laufend Und Post,
war nicht Sehen Das Bedeutung Aber wieder Wir Sind Sehen Das Trend.
Was ist interessant Ist Wann Wir sah bei Die Positionen.
Und Wir zur Kenntnis genommen Das offensichtlich Wir Tun nicht haben...
Der Hänge Sind definitiv nicht von Bedeutung
Und Dort tut es nicht erscheinen Zu Sei beliebig Unterschied
ob sie sind In Die Vorher, fortlaufend oder Post.
Also Es scheint während Es Mai nicht Sei a praktisch Bedeutung,
Ich meine es Mai nicht Sei a statistische Bedeutung
von praktisch Interesse Ist Die Tatsache Das Die ECHO Gruppe tut erscheinen Zu Sei
profitieren Das Krankenschwester Praktiker, Ärzte Assistenten Gruppe.
Also Die nächste Ding Wir versucht War Die Null Inflation Poisson Modell.
Wir wählte Die Poisson Modell fällig Zu Die Tatsache Das Wir hatte Zählungen
Und Wir Auch wählte Die Null Inflation...
Wir tat beide Die regulär Und Die Null Inflation
Und Wir wählte Die Null Inflation Weil Wir tat haben a viel von Nullen
In unser Daten.
Und Also Wann Wir tat Es,
Du wirst beachten Das Wir Tun haben Das leicht Trend
von zunehmend Anteil von MAT-Patienten im Zeitverlauf.
Und schauen bei das P Aramämeter Schätzungen, Monat Ist bedeutsam.
Notiz Das Die Null Inflation Ist null.
Also Wenn Du sehen bei Es, Es war nicht Wirklich tun viel für Es
Zu haben Die Null Inflation Aber...
Es War informativ für uns.
Bedauerlicherweise, Wann Wir ging Zu auswerten Die fit von Die Modell,
Es wurde schnell ersichtlich Das Es War a arm fit.
Also für Beispiel, Wann Wir sah bei dein verallgemeinert R², es ist sehr niedrig.
Und Dann Wir haben Das...
Wann Wir sah bei Die tatsächlich gegen vorhergesagt Handlung,
was ist Happening Ist Das
Hier Sind Die vorhergesagt Werte
Und sie sind Wirklich im Bereich zwischen 0,1 Und 0,4
Wo Die tatsächlich Daten Ist im Bereich zwischen null Und eins.
Also was ist Happening Ist Das Die Daten zwischen Hier Ist Wirklich schieben Das Modell.
Und Also offensichtlich, Was Wir würde haben Ich hätte es gerne gesehen
Zu haben Ist mehr von Die Vorhersagen folgende Das Linie.
Haben sagte Das, Wir tat sehen manche Trends Und sogar obwohl Wir tat es nicht haben Vielleicht
a statistische Stück, Wir tat haben manche praktisch Interpretation.
Also Bewegung An, Wir tat haben a Kontrolle Gruppe.
Und Also Was Wir tat
Ist Das Wir nahm Die neun Kontrolle Anbieter
war direkt verglichen Zu Die neun ECHO Anbieter
Und Sie war Äquivalent In Titel Und Stadt.
Also Wir war versuchen Zu übereinstimmen ob Sie war a Krankenschwester Praktiker,
Arzt Assistent oder a Arzt,
Und Dann Wo ihre üben hauptsächlich War, ihre primär Stadt.
Und Die Stück von Das Ist Das Dort Ist a sehr anders demografische Wann Wir gehen
aus Die Süden von Neu Hampshire hoch Zu Die Norden von Neu Hampshire.
Also Wir gesucht Zu machen Sicher Das Wir gefangen beliebig von diese.
Also Wann Wir tat Die Übereinstimmend Paare Prüfen, Wir erstellt a Vertrauen Intervall
für Die Anteil von Patienten WHO hatte beliebig MAT zu Die gesamt Nummer von Patienten.
Wir sah bei Die Unterschied
zwischen unser Kontrolle Und unser Anbieter
Und Wir wissen In Das...
Erste aus, Wann Du sehen bei Die Vertrauen, null Ist nicht In Dort.
Also Wir Tun haben a Unterschied.
Und Wir Notiz Das Wann Wir sah bei Die tatsächlich bedeutet
Du haben um dein Behandlung, ECHO Ist etwa 0,2...
Haben Sie 0,2 Anteil von Patienten haben ZUSAMMEN MIT.
Und Dann für Die Kontrolle War nur 0,13.
Also Wir Tun haben a Unterschied von 0,07 .
Also Wir Sind Sehen Das unser ECHO Gruppe Ist
Verschreibung ZUSAMMEN MIT mehr häufig als unser Kontrolle Gruppe.
Also Die nächste War Zu versuchen Zu bringen In Das wieder,
Das Zeit Variable.
Und Also Wir sah bei Die Null Inflation Poisson Modell
Und Also Was Wir sehen Hier,
Also Erste aus Die ECHO Gruppe Ist In Rot
Und Dann Die Kontrolle Gruppe Ist In Blau.
Also Suche bei Es grafisch, Wir Sind Sehen ein Zunahme In Zeit.
Es Ist offensichtlich Das Die ECHO Gruppe Ist leicht höher In Verschreibung
a Anteil von Verschreibung als unser Kontrolle Gruppe.
Wieder Suche bei Die Parameter In unser Modell, Sie Sind bedeutsam.
Bedauerlicherweise Wann Wir verschoben wieder Zu bewerten unser Modell,
Wir hatte a sehr ähnlich
Ergebnis als Wir tat mit Nur Suche bei Die ECHO,
welche Ist etwas nicht überraschend In Die Sinn Das Wir Sind Verwendung
Die ähnlich Daten.
Und Also wieder du bist Suche bei dein Verallgemeinert R², es ist sehr niedrig,
Und wieder war vermerken Das unser tatsächlich gegen vorhergesagt,
unser Modell Ist Vorhersage wahrscheinlich zwischen Jetzt 0,05 Und 0,4,
wohingegen Wir war Hoffnung Das Es würde vorhersagen entlang
Die Reichweite aus null Zu eins.
Also Ergebnisse.
Insgesamt also Wir war fähig Zu erkennen
Die Unterschied In Anbieter diagnostisch Muster
vor Und nach Sie vorhergesagt In Projekt ECHO.
Wir tat sehen a klein Unterschied In Anbieter diagnostisch Muster
zwischen Die Anbieter Das tat teilnehmen In Projekt ECHO
Und diese WHO tat nicht.
Eins von Die Dinge Das Wir tat nicht Kontrolle An War Die Nummer von gesamt Patienten.
Also Das Mai Sei etwas Zu halten später.
Und Dann Wir Auch zur Kenntnis genommen Das Dort Mai Sei a Unterschied An Die Auswirkungen von Projekt ECHO
aus Die anders Anbieter Ebene Titel.
Und Wir brauchen Zu Vielleicht weiter vertiefen hinein Das.
Also nächste Schritte Das Ist ein laufend Projekt.
Diese Sind Die nächste Schritte Das Wir Sind angesichts.
Also Erste aus, Was Wir würde wie Zu Tun Ist Zu enthalten zusätzlich Anbieter
Zu Zunahme Die Größe von Die Datenbank.
Und eins von Die Wege Das Wir Sind Suche bei tun Das Ist Zu enthalten
manche mehr von Die ECHO Perioden.
Also Wir Tun haben eins Das War Abschluss hoch Das Jahr.
Also war Hoffnung Zu hinzufügen Praktiker In aus Das Zeitraum.
Und Wir Auch Mai wollen Zu halten Die Methodik für Erkennung ZUSAMMEN MIT
Und Die medizinische Und Apotheke Ansprüche Daten.
Auch Wir würde wie Zu analysieren bei Die üben Ebene
mit Fall Kontrolle Studien Zu helfen Kampf Die klein Probe Größe.
Und wieder, Die gesamt Ziel Ist Zu fit ein geeignet Modell.
Also Wir gesucht Zu Dank Du für nehmen Die Zeit Zu Hören Zu unser Präsentation
An Die PACT-MAT ECHO.
Wenn Du haben beliebig Fragen, Bitte Kontakt uns bei unser folgende E-Mails.
Genießen Die ausruhen von dein Konferenz.
Dank Du.
Dank Du.
