084 PLUGGED-IN (Providing Likeable and Understandable Guidelines using GRADE in the EMR with Direct links to Individual patient data) Phase 2
Notice bibliographique
Résumé
Background Traditional clinical decision support systems in Electronic Medical Records (EMR) use algorithms with inclusion/exclusion criteria to provide direction to clinicians. Improved systems for developing trustworthy guidelines (e.g. GRADE,) typically include many weak recommendations unsuited for clear inclusion/exclusion criteria, and in which the right decision varies from patient to patient. Through PLUGGED-IN phase 1 we developed a conceptual framework and a guideline authoring/publication platform to allow use of trustworthy guidelines directly as decision support in EMRs, not dependent on traditional algorithms or reproduction of the content. Our framework is based on a multilayered guideline presentation format developed in DECIDE. Objectives To implement and test our novel approach to decision support where relevant patient specific information is shown alongside evidence based recommendations in EMRs. Methods We used a web guideline published through the MAGIC (Making Grade the Irresistible Choice) application, which allowed our EMR partner to make use of its structured content, ontology-coded clinical questions and recommendation-specific EMR elements. Results The EMR system was able to interact with the guideline, suggest relevant recommendations displayed along with relevant patient specific information (lab tests, measurements, medications), and offer these to facilitate direct ordering. We will show real examples and live products. Discussion Results suggest we can offer a complementary approach to traditional algorithm-based systems that is compatible with a large number of EMRs. Implications for Guideline Developers/Users PLUGGED-IN provides a model for direct use of guidelines as decision support in EMRs.
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 | 0,000 |
| 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 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 ».