Enabling asthma management and outcomes monitoring through standardized EMR data and eTools
Notice bibliographique
Résumé
<b>Rationale:</b> Electronic Medical Records (EMRs) can support and enable asthma management and outcomes monitoring, using standardized data elements. <b>Aim:</b> To demonstrate the ability of an asthma EMR system to enable best practice and patient and program evaluation. <b>Methods:</b> An Asthma Management and Outcomes Monitoring System (AMOMS) aligned with guidelines and provincial data standards was programmed, integrated into the hospital’s EMR, and connected seamlessly to a patient/provider portal (AsthmaLife®), which houses asthma assessment eTools. De-identified electronic data was extracted from AMOMS for all asthma visits (January 2009 to February 2016) at Kingston General Hospital and 7 Primary Care Asthma Program (PCAP) sites. <b>Results:</b> Data were analyzed on 1846 patients (1327 adults (≥18 years of age), 53.34±16.2 years [Mean±SD], 68% female; and 519 children, 7.6±4.4 years of age, 41% female) seen at the Asthma Education Centre (69.4%), specialist clinic (7.4%) or PCAP sites (23.2%). 1057 (57%) of patients received an electronically-generated asthma action plan. Asthma diagnosis was confirmed by objective measures (38%) or suspected (48%). 97% of patients had asthma control assessed at each visit. The proportion of patients with controlled asthma increased from 13.4% (Visit 1) to 32.5% (≥ 3 visits). eTools supporting patient care and self-management were utilized 977 times and seamlessly linked to AMOMS data. <b>Conclusion:</b> Asthma patient and program reporting was feasible using standardized, extractable asthma data elements entered electronically at the point of care. Collection of defined, standardized data is enabling performance measurement and benchmarking and continuous quality improvement.
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 | 0,000 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| 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 ».