Interventions to Reduce the Overuse of Imaging for Pulmonary Embolism: A Systematic Review
Notice bibliographique
Résumé
BACKGROUND: Imaging use in the diagnostic workup of pulmonary embolism (PE) has increased markedly in the last 2 decades. Low PE prevalence and diagnostic yields suggest a significant problem of overuse. PURPOSE: The purpose of this systematic review is to summarize the evidence associated with the interventions aimed at reducing the overuse of imaging in the diagnostic workup of PE in the emergency department and hospital wards. DATA SOURCES: PubMed, MEDLINE, Embase, and EBM Reviews from 1998 to March 28, 2017. STUDY SELECTION: Experimental and observational studies were included. The types of interventions, their efficacy and safety, the impact on healthcare costs, the facilitators, and barriers to their implementation were assessed. DATA SYNTHESIS: Seventeen studies were included assessing clinical decision support (CDS), educational interventions, performance and feedback reports (PFRs), and institutional policy. CDS impact was most comprehensively documented. It was associated with a reduction in imaging use, ranging from 8.3% to 25.4%, and an increase in diagnostic yield, ranging from 3.4% to 4.4%. The combined implementation of a CDS and PFR resulted in a modest but significant increase in the adherence to guidelines. Few studies appraised the safety of interventions. There was a lack of evidence concerning economic aspects, facilitators, and barriers. CONCLUSIONS: A combined implementation of an electronic CDS and PFRs is more effective than purely educational or policy interventions, although evidence is limited. Future studies of high-methodological quality would strengthen the evidence concerning their efficacy, safety, facilitators, and barriers.
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 | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».