Data that Makes a Difference in Quality Improvements in Primary Health Care: Approaches through a Pan-Canadian Voluntary Electronic Medical Record Source
Notice bibliographique
Résumé
Primary Health Care (PHC) is the most common health care experienced by Canadians and is an important source of chronic disease prevention and management; however, PHC providers say they have little information about their patient populations, especially groups of patients with multiple conditions. The Canadian Institute for Health Information in collaboration with 50 PHC providers examined the ability to extract and use a subset of PHC EMR data from four disparate environments in an agreed and privacy sensitive manner. Findings describing the feasibility of clinician engagement, EMR data extraction, EMR content standards and data utility gaps, information system requirements, and systemic enablers and barriers are described in this paper. Ability to collect and use discrete and standardized clinical and administrative information is fundamental to improving practice efficiency, optimal use of information, and patient quality of care. Improving quality of EMR data captured at the point of service will considerably enable our ability to measure and understand PHC across Canada; promote dialogue to identify priority information needs; and support health system information uses for clinical program and health system management, research, and population surveillance.
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 | 0,216 | 0,323 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,014 | 0,025 |
| Études des sciences et des technologies | 0,016 | 0,010 |
| Communication savante | 0,020 | 0,014 |
| Science ouverte | 0,006 | 0,018 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».