Evaluating the Connections Between Primary Care Practice and Clinical Laboratory Testing: A Review of the Literature and Call for Laboratory Involvement in the Solutions
Notice bibliographique
Résumé
CONTEXT: Growing evidence has demonstrated a high frequency of quality gaps in laboratory medicine, with recent studies estimating that 15% to 54% of primary care medical errors reported by primary care physicians and staff are related to the testing process. However, there is lack of evidence-based performance metrics in the preanalytic and postanalytic phases of the testing pathway for primary care practices. OBJECTIVE: To use results of the literature review to assist in the development of quality indicators that could improve preanalytic and postanalytic processes in primary care-based laboratory medicine. DATA SOURCES: Literature in Ovid/MEDLINE from 2001 through 2011 was searched as a primary source of information. Ninety-five peer-reviewed and non-peer-reviewed publications were retrieved following title and abstract review and 10 articles were reviewed in their entirety by the authors. A systematic review of the literature was conducted regarding the connections between clinical laboratories and primary care offices and the resulting errors. Root causes of errors were categorized into 7 major themes: process failures, delays, communication gaps, errors in judgment and cognition, influence of minorities/language, practice culture, and lack of patient centeredness. Selected articles were evaluated for evidence quality using the Systematic Evidence Review and Evaluation Methods for Quality Improvement grading scale developed by the Centers for Disease Control and Prevention. CONCLUSIONS: The focused literature review documented 7 key error themes in the laboratory medicine/primary care testing process. Performance metrics related to these themes are proposed that deserve future study for evidence-based improvement.
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 | 0,017 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».