Evaluating quality of care for patients with type 2 diabetes using electronic health record information in Mexico
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Several low and middle-income countries are implementing electronic health records (EHR). In the near future, EHRs could become an efficient tool to evaluate healthcare performance if appropriate indicators are developed. The aims of this study are: a) to develop quality of care indicators (QCIs) for type 2 diabetes (T2DM) in the Mexican Institute of Social Security (IMSS) health system; b) to determine the feasibility of constructing QCIs using the IMSS EHR data; and c) to evaluate the quality of care (QC) provided to IMSS patients with T2DM. METHODS: We used a three-stage mixed methods approach: a) development of QCIs following the RAND-UCLA method; b) EHR data extraction and construction of indicators; c) QC evaluation using EHR data from 25,130 T2DM patients who received care in 2009. RESULTS: We developed 18 QCIs, of which 14 were possible to construct using available EHR data. QCIs comprised both process of care and health outcomes. Several flaws in the EHR design and quality of data were identified. The indicators of process and outcomes of care suggested areas for improvement. For example, only 13.0% of patients were referred to an ophthalmologist; 3.9% received nutritional counseling; 63.2% of overweight/obese patients were prescribed metformin, and only 23% had HbA1c <7% (or plasma glucose≤130 mg/dl). CONCLUSIONS: EHR data can be used to evaluate QC. The results identified both strengths and weaknesses in the electronic information system as well as in the process and outcomes of T2DM care at IMSS. This information can be used to guide targeted interventions to improve QC.
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.
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 | 0,008 | 0,003 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle