Data quality of electronic medical records in Manitoba: do problem lists accurately reflect chronic disease billing diagnoses?
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
OBJECTIVE: To determine problem list completeness related to chronic diseases in electronic medical records (EMRs) and explore clinic and physician factors influencing completeness. METHODS: A retrospective analysis of primary care EMR data quality related to seven chronic diseases (hypertension, diabetes, asthma, congestive heart failure, coronary artery disease, hypothyroidism, and chronic obstructive pulmonary disorder) in Manitoba, Canada. We included 119 practices in 18 primary care clinics across urban and rural Manitoba. The main outcome measure was EMR problem list completeness. Completeness was measured by comparing the number of EMR-documented diagnoses to the number of billings associated with each disease. We calculated odds ratios for the effect of clinic patient load and salary type on EMR problem list completeness of the 7 chronic diseases. RESULTS: Completeness of EMR problem list for each disease varied widely among clinics. Factors that significantly affected EMR problem list completeness included the primary care provider, the patient load, and the clinic's funding and organization model (ie, salaried, fee-for-service, or residency training clinics). Average rates of completeness were: hypertension, 72%; diabetes, 80%; hypothyroidism, 63%; asthma, 56%; chronic obstructive pulmonary disorder, 43%; congestive heart failure, 54%; and coronary artery disease, 64%. CONCLUSION: This study demonstrates the high variability but generally low quality of problem lists (health condition records) related to 7 common chronic diseases in EMRs. There are systematic physician- and clinic-level factors associated with low data quality completeness. This information may be useful to support improvement in EMR data quality in primary care.
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 | 0,028 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,002 | 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 découle