Utility of Electronic Medical Records in Community Rheumatology Practice for Assessing Quality of Care Indicators for Gout
Notice bibliographique
Résumé
OBJECTIVES: With comprehensive capture of information on patient encounters, electronic medical records (EMRs) may have utility for assessing adherence to quality indicators (QIs) in gout. Our objectives were to translate 10 previously established gout QIs into relevant EMR data and evaluate and describe the feasibility of using EMRs to assess gout QIs. METHODS: Using EMRs from 3 community rheumatology practices in Vancouver, British Columbia, Canada, we identified gout patients seen between January 1, 2012, and December 31, 2013. We translated each gout QI into potential EMR variables that would allow identification of patients the QI pertains to and whether the QI could be assessed. We extracted deidentified EMR data on gout diagnosis, medications, laboratory tests, radiological tests, and clinical notes and calculated the percent availability of data for each QI. RESULTS: We included 125 patients with gout, with mean age of 64 ± 17 years and with males comprising 78%. Overall, there were sufficient EMR data to allow translation of 7 QIs and assessment of 6 QIs including therapy-related gout QIs (69%-83% data availability) and one counseling-related QI (8% data availability). The highest percent data availability was observed in the single QI translated into EMR data and assessed based on diagnostic codes and prescription medications and not laboratory tests. CONCLUSIONS: Electronic medical records are promising tools for assessing QIs for gout. It was feasible to translate seven gout QIs into relevant EMR variables and there was sufficient EMR data to feasibly assess six of these QIs -Our findings lend evidence to support the utility of EMRs for ut QI assessment, with implications for helping improve management of this disease.
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 | 0,023 | 0,266 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».