Health Information Technology: Meaningful Use and Next Steps to Improving Electronic Facilitation of Medication Adherence
Notice bibliographique
Résumé
BACKGROUND: The use of health information technology (HIT) may improve medication adherence, but challenges for implementation remain. OBJECTIVE: The aim of this paper is to review the current state of HIT as it relates to medication adherence programs, acknowledge the potential barriers in light of current legislation, and provide recommendations to improve ongoing medication adherence strategies through the use of HIT. METHODS: We describe four potential HIT barriers that may impact interoperability and subsequent medication adherence. Legislation in the United States has incentivized the use of HIT to facilitate and enhance medication adherence. The Health Information Technology for Economic and Clinical Health (HITECH) was recently adopted and establishes federal standards for the so-called "meaningful use" of certified electronic health record (EHR) technology that can directly impact medication adherence. RESULTS: The four persistent HIT barriers to medication adherence include (1) underdevelopment of data reciprocity across clinical, community, and home settings, limiting the capture of data necessary for clinical care; (2) inconsistent data definitions and lack of harmonization of patient-focused data standards, making existing data difficult to use for patient-centered outcomes research; (3) inability to effectively use the national drug code information from the various electronic health record and claims datasets for adherence purposes; and (4) lack of data capture for medication management interventions, such as medication management therapy (MTM) in the EHR. Potential recommendations to address these issues are discussed. CONCLUSION: To make meaningful, high quality data accessible, and subsequently improve medication adherence, these challenges will need to be addressed to fully reach the potential of HIT in impacting one of our largest public health issues.
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 | 0,058 | 0,089 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,011 |
| Communication savante | 0,017 | 0,025 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,011 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».