A Web-Based Clinical Decision Support Tool for Primary Health Care Management of Back Pain: Development and Mixed Methods Evaluation
Notice bibliographique
Résumé
BACKGROUND: Many patients with back pain do not receive health care in accordance with best practice recommendations. Implementation trials to address this issue have had limited success. Despite the known effectiveness of clinical decision support systems (CDSS), none of these are available for back pain management. OBJECTIVE: The objective of our study was to develop a Web-based CDSS to support Australian general practitioners (GPs) to diagnose and manage back pain according to guidelines. METHODS: Asking a panel of international experts to review recommendations for sixteen clinical vignettes validated the tool. It was then launched nationally as part of National Pain Week and promoted to GPs via a media release and clinic based visits. Following this, a mixed methods evaluation was conducted to determine tool feasibility, acceptability, and utility. The 12 month usage data were analyzed, and in-depth, semistructured interviews with 20 GPs were conducted to identify barriers and enablers to uptake. RESULTS: The tool had acceptable face validity when reviewed by experts. Over a 12 month period there were 7125 website visits with 4503 (63.20%) unique users. Assuming most unique users are GPs, around one quarter of the country's GPs may have used the tool at least once. Although usage was high, GP interviews highlighted the sometimes complex nature of management where the tool may not influence care. Conversely, several "touch-points", whereby the tool may exert its influence, were identified, most notably patient engagement. CONCLUSIONS: A novel CDSS tool has the potential to assist with evidence-based management of back pain. A clinical trial is required to determine its impact on practitioner and patient outcomes.
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 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 | 0,053 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».