Rheumatology Informatics System for Effectiveness: A National Informatics‐Enabled Registry for Quality Improvement
Notice bibliographique
Résumé
OBJECTIVE: The Rheumatology Informatics System for Effectiveness (RISE) is a national electronic health record (EHR)-enabled registry. RISE passively collects data from EHRs of participating practices, provides advanced quality measurement and data analytic capacities, and fulfills national quality reporting requirements. Here we report the registry's architecture and initial data, and we demonstrate how RISE is being used to improve the quality of care. METHODS: RISE is a certified Centers for Medicare and Medicaid Services Qualified Clinical Data Registry, allowing collection of data without individual patient informed consent. We analyzed data between October 1, 2014 and September 30, 2015 to characterize initial practices and patients captured in RISE. We also analyzed medication use among rheumatoid arthritis (RA) patients and performance on several quality measures. RESULTS: Across 55 sites, 312 clinicians contributed data to RISE; 72% were in group practice, 21% in solo practice, and 7% were part of a larger health system. Sites contributed data on 239,302 individuals. Among the subset with RA, 34.4% of patients were taking a biologic or targeted synthetic disease-modifying antirheumatic drug (DMARD) at their last encounter, and 66.7% were receiving a nonbiologic DMARD. Examples of quality measures include that 55.2% had a disease activity score recorded, 53.6% a functional status score, and 91.0% were taking a DMARD in the last year. CONCLUSION: RISE provides critical infrastructure for improving the quality of care in rheumatology and is a unique data source to generate new knowledge. Data validation and mapping are ongoing and RISE is available to the research and clinical communities to advance rheumatology.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».