Would you like to add a weight after this blood pressure, doctor?<scp>D</scp>iscovery of potentially actionable associations between the provision of multiple screens in primary care
Notice bibliographique
Résumé
RATIONALE, AIMS, AND OBJECTIVE: Guidelines recommend screening for risk factors associated with chronic diseases but current electronic prompts have limited effects. Our objective was to discover and rank associations between the presence of screens to plan more efficient prompts in primary care. METHODS: Risk factors with the greatest impact on chronic diseases are associated with blood pressure, body mass index, waist circumference, glycaemic and lipid levels, smoking, alcohol use, diet, and exercise. We looked for associations between the presence of screens for these in electronic medical records. We used association rule mining to describe relationships among items, factor analysis to find latent categories, and Cronbach α to quantify consistency within latent categories. RESULTS: Data from 92 140 patients in or around Toronto, Ontario, were included. We found positive correlations (lift >1) between the presence of all screens. The presence of any screen was associated with confidence greater than 80% that other data on items with high prevalence (blood pressure, glycaemic and lipid levels, or smoking) would also be present. A cluster of rules predicting the presence of blood pressure were ranked highest using measures of interestingness such as standardized lift. We found 3 latent categories using factor analysis; these were laboratory tests, vital signs, and lifestyle factors; Cronbach α ranged between .58 for lifestyle factors and .88 for laboratory tests. CONCLUSIONS: Associations between the provision of important screens can be discovered and ranked. Rules with promising combinations of associated screens could be used to implement data driven alerts.
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 | 0,030 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».