A Platform to Collect Structured Data from Multiple EMRs
Notice bibliographique
Résumé
Adoption and use of Electronic Medical Records (EMRs) is continuing to rise across Canada, leading to more data being generated. These data, however, are not being captured in a standardized manner, they are not available for research, surveillance or health system management, and they are not having a real-time impact on healthcare providers at the point of care. Multiple stakeholders, including researchers and system evaluators, require easy access to high quality, structured data. As current EMRs are not able to effectively meet their needs, we engaged multiple stakeholders to assist in designing a solution. A total of 90 stakeholders from various backgrounds participated in an iterative joint design process. After incorporating the feedback of all stakeholders, we developed the design for a scalable platform for capturing structured, evidence-based data from all EMRs in Canada for research, health system management, clinical decision support and other purposes. We discuss the design specification for our proposed solution and explain how, using clinical forms, we can not only capture structured, high quality data from multiple EMRs, but also provide real-time guideline advice to providers at the point of care. The scalability of this proposed solution across multiple diseases and multiple EMRs is also explained. We further discuss the benefits and limitations of this proposed solution to several key stakeholder groups and address issues of privacy and security.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,029 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,004 | 0,007 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».