The Computerized Medical Record as a Tool for Clinical Governance in Australian Primary Care
Notice bibliographique
Résumé
BACKGROUND: Computerized medical records (CMR) are used in most Australian general practices. Although CMRs have the capacity to amalgamate and provide data to the clinician about their standard of care, there is little research on the way in which they may be used to support clinical governance: the process of ensuring quality and accountability that incorporates the obligation that patients are treated according to best evidence. OBJECTIVE: The objective of this study was to explore the capability, capacity, and acceptability of CMRs to support clinical governance. METHODS: We conducted a realist review of the role of seven CMR systems in implementing clinical governance, developing a four-level maturity model for the CMR. We took Australian primary care as the context, CMR to be the mechanism, and looked at outcomes for individual patients, localities, and for the population in terms of known evidence-based surrogates or true outcome measures. RESULTS: The lack of standardization of CMRs makes national and international benchmarking challenging. The use of the CMR was largely at level two of our maturity model, indicating a relatively simple system in which most of the process takes place outside of the CMR, and which has little capacity to support benchmarking, practice comparisons, and population-level activities. Although national standards for coding and projects for record access are proposed, they are not operationalized. CONCLUSIONS: The current CMR systems can support clinical governance activities; however, unless the standardization and data quality issues are addressed, it will not be possible for current systems to work at higher levels.
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 | 0,042 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».