Development and implementation of an electronic asthma record for primary care: integrating guidelines into practice
Notice bibliographique
Résumé
RATIONALE: Evidence-based practice may be enhanced by integrating knowledge translation tools into electronic medical records (EMRs). We examined the feasibility of incorporating an evidence-based asthma care map (ACM) into Primary Care (PC) EMRs, and reporting on performance indicators. METHODS: Clinicians and information technology experts selected 69 clinical and administrative variables from the ACM template. Four Ontario PC sites using EMRs were recruited to the study. Certified Asthma Educators used the electronic ACM for patient assessment and management. De-identified data from consecutive asthma patients were automatically transmitted to a secure central server for analysis. RESULTS: Of the four sites recruited, two sites using "stand-alone" EMR systems were able to incorporate the selected ACM variables into an electronic format and participate in the pilot. Data were received on 161 visits by 130 patients aged 36.5 ± 26.9 (mean ± SD) (range 2-93) years. Ninety-four percent (65/69) of the selected ACM variables could be analyzed. Reporting capabilities included: individual patient, individual site and aggregate reports. Reports illustrated the ability to measure performance (e.g. number of patients in control, proportion of asthma diagnoses confirmed by an objective measure of lung function), benchmark and use EMR data for disease surveillance (e.g. number of smokers and the individuals with suspected work-related asthma). CONCLUSIONS: Integration of this evidence-based ACM into different EMRs was successful and permitted patient outcomes monitoring. Standardized data definitions and terminology are essential in order for EMR data to be used for performance measurement, benchmarking and disease surveillance.
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 | 0,004 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».