Technology-Assisted Patient Access to Clinical Information: An Evaluation Framework for Blue Button
Notice bibliographique
Résumé
BACKGROUND: Patient access to clinical information represents a means to improve the transparency and delivery of health care as well as interactions between patients and health care providers. We examine the movement toward augmenting patient access to clinical information using technology. Our analysis focuses on "Blue Button," a tool that many health care organizations are implementing as part of their Web-based patient portals. OBJECTIVE: We present a framework for evaluating the effects that technology-assisted access to clinical information may have on stakeholder experiences, processes of care, and health outcomes. METHODS: A case study of the United States Department of Veterans Affairs' (VA) efforts to make increasing amounts of clinical information available to patients through Blue Button. Drawing on established collaborative relationships with researchers, clinicians, and operational partners who are engaged in the VA's ongoing implementation and evaluation efforts related to Blue Button, we assessed existing evidence and organizational practices through key informant interviews, review of documents and other available materials, and an environmental scan of published literature and the websites of other health care organizations. RESULTS: Technology-assisted access to clinical information represents a significant advance for VA patients and marks a significant change for the VA as an organization. Evaluations of Blue Button should (1) consider both processes of care and outcomes, (2) clearly define constructs of focus, (3) examine influencing factors related to the patient population and clinical context, and (4) identify potential unintended consequences. CONCLUSIONS: The proposed framework can serve as a roadmap to guide subsequent research and evaluation of technology-assisted patient access to clinical information. To that end, we offer a series of related recommendations.
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 | 0,320 | 0,270 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,009 | 0,007 |
| Études des sciences et des technologies | 0,005 | 0,013 |
| Communication savante | 0,012 | 0,013 |
| Science ouverte | 0,005 | 0,011 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».