Reporting Observational Studies of the Use of Information Technology in the Clinical Consultation. A Position Statement from the International Medical Informatics Association Primary Care Informatics Working Group (IMIA PCI WG)
Notice bibliographique
Résumé
Objectives: To develop a classification system to improve the reporting of observational studies of the use of information technology (IT) in clinical consultations. Methods: Literature review, workshops, and development of a position statement. We grouped the important aspects for consistent reporting into a “faceted classification”; the components relevant to a particular study to be used independently. Results: The eight facets of our classification are: Theoretical and methodological approach: e.g. dramaturgical, cognitive; Data collection: Type and method of observation; Room layout and environment: How this affects interaction between clinician, patient and computer. Initiation and Interaction: Who starts the consultation, and how the participants interact; Information and knowledge utilisation: What sources of information or decision support are used or provided; Timing and type of consultation variables: Standard descriptors that can be used to allow comparison of duration and description of continuous activities (e.g. speech, eye contact) and episodic ones, such as prescribing; Post-consultation impact measures: Satisfaction surveys and health economic assessment based on the perceived quality of the clinician-patient interaction; and Data capture, storage, and export formats: How to archive and curate data to facilitate further analysis. Conclusions: Adoption of this classification should make it easier to interpret research findings and facilitate the synthesis of evidence across studies. Those engaged in IT-consultation research shouldconsider adopting this reporting guide.
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 | 0,006 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».