Using a data entry clerk to improve data quality in primary careelectronic medical records: a pilot study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: The quality of electronic medical record (EMR) data is known to be problematic; research on improving these data is needed. OBJECTIVE: The primary objective was to explore the impact of using a data entry clerk to improve data quality in primary care EMRs. The secondary objective was to evaluate the feasibility of implementing this intervention. METHODS: We used a before and after design for this pilot study. The participants were 13 community based family physicians and four allied health professionals in Toronto, Canada. Using queries programmed by a data manager, a data clerk was tasked with re-entering EMR information as coded or structured data for chronic obstructive pulmonary disease (COPD), smoking, specialist designations and interprofessional encounter headers. We measured data quality before and three to six months after the intervention. We evaluated feasibility by measuring acceptability to clinicians and workload for the clerk. RESULTS: After the intervention, coded COPD entries increased by 38% (P = 0.0001, 95% CI 23 to 51%); identifiable data on smoking categories increased by 27% (P = 0.0001, 95% CI 26 to 29%); referrals with specialist designations increased by 20% (P = 0.0001, 95% CI 16 to 22%); and identifiable interprofessional headers increased by 10% (P = 0.45, 95 CI -3 to 23%). Overall, the intervention was rated as being at least moderately useful and moderately usable. The data entry clerk spent 127 hours restructuring data for 11 729 patients. CONCLUSIONS: Utilising a data manager for queries and a data clerk to re-enter data led to improvements in EMR data quality. Clinicians found this approach to be acceptable.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,077 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle