Barriers to high quality coding of hospital chart information to administrative data: A qualitative study
Notice bibliographique
Résumé
ABSTRACTObjectives Administrative data are widely used in research, health policy, and the evaluation of health service delivery. We undertook a qualitative study to explore the barriers to high quality coding of chart information to administrative data, at the level of coders in Canada.
 ApproachOur study design is qualitative. We recruited professional medical chart coders and data users working across Alberta, Canada, using a multimodal recruitment strategy. We conducted an in-depth, semi-structured interview with each participant. All interviews were audio-recorded and transcribed. We conducted thematic analysis (e.g., line-by-line open coding) of interview transcripts. Codes were then collated into themes and compared across our dataset to ensure accurate interpretations of the data. The study team met to discuss, modify, and interpret emergent themes in the context of the barriers to coding administrative data.
 ResultsWe recruited 28 coding specialists. In general, coders had high job satisfaction and sense of collegiality, as well as sufficient resources to address their coding questions. They believed themselves to be adequately trained and consistently put in the extra effort when searching charts to find additional information that accurately reflected the patient journey. Barriers to high quality coding from the coder perspective included: 1) Incomplete and inaccurate information in physician progress notes and discharge summaries; 2) Difficulty navigating a complex hybrid of paper and electronic medical records; 3) Focus on productivity rather than quality by the employer, which at times resulted in inconsistent instructions for coding secondary diagnoses and discordant expectations between the employer and the coders’ professional standards.
 ConclusionFuture interventions to improve the quality of administrative data should focus on physician education of necessary components in charting, evaluation of electronic medical records from the perspectives of those who play a key role in abstracting data, and evaluation of productivity guidelines for coders and their effects on data quality.
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 | 0,014 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,009 |
| Science ouverte | 0,004 | 0,001 |
| 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 ».