Connecting Knowledge Resources to the Veterinary Electronic Health Record: Opportunities for Learning at Point of Care
Notice bibliographique
Résumé
Electronic health records (EHRs) provide clinical learning opportunities through quick and contextual linkage of patient signalment, symptom, and diagnosis data with knowledge resources covering tests, drugs, conditions, procedures, and client instructions. This paper introduces the EHR standards for linkage and the partners-practitioners, content publishers, and software developers-necessary to leverage this possibility in veterinary medicine. The efforts of the American Animal Hospital Association (AAHA) Electronic Health Records Task Force to partner with veterinary practice management systems to improve the use of controlled vocabulary is a first step in the development of standards for sharing knowledge at the point of care. The Veterinary Medical Libraries Section (VMLS) of the Medical Library Association's Task Force on Connecting the Veterinary Health Record to Information Resources compiled a list of resources of potential use at point of care. Resource details were drawn from product Web sites and organized by a metric used to evaluate medical point-of-care resources. Additional information was gathered from questions sent by e-mail and follow-up interviews with two practitioners, a hospital network, two software developers, and three publishers. Veterinarians with electronic records use a variety of information resources that are not linked to their software. Systems lack the infrastructure to use the Infobutton standard that has been gaining popularity in human EHRs. While some veterinary knowledge resources are digital, publisher sites and responses do not indicate a Web-based linkage of veterinary resources with EHRs. In order to facilitate lifelong learning and evidence-based practice, veterinarians and educators of future practitioners must demonstrate to veterinary practice software developers and publishers a clinically-based need to connect knowledge resources to veterinary EHRs.
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 | 0,018 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,011 | 0,024 |
| Science ouverte | 0,003 | 0,015 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,006 |
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 ».