Path of least resistance: how computerised provider order entry can lead to (and reduce) wasteful practices
Notice bibliographique
Résumé
BACKGROUND: Computerised provider order entry (CPOE) is rapidly becoming the mainstay in clinical care and has the potential to improve provider efficiency and accuracy. However, this hinges on careful planning and implementation. Poorly planned CPOE order sets can lead to undetected errors and waste. In our emergency department (ED), lactate dehydrogenase (LDH) was bundled into various blood work panels but had little clinical value. OBJECTIVES: This quality improvement initiative aimed to reduce unnecessary LDH testing in the ED. METHODS: A group of ED physicians reviewed CPOE blood work panels and uncoupled LDH in conditions where it was deemed not to provide any clinically useful information. We measured the daily number of LDH tests performed before and after its removal. We tracked the frequency of other serum tests as controls. We also analysed the number of add-on LDH (ie, to add LDH to samples already sent to the lab) as a balancing measure, since this can disrupt work flow and delay care. RESULTS: Through this intervention, we reduced the number of LDH tests performed by 69%, from an average of 75.1 tests per day to 23.2 (P<0.0005). The baseline controls did not differ after the intervention (eg, a complete blood count was performed 197.7 and 196.1 times per day preintervention and postintervention, respectively (P=0.7663)). There was less than one add-on LDH per day on average. CONCLUSIONS: CPOE care templates can be powerful in shaping behaviours and reducing variability. However, close oversight of these panels is necessary to prevent errors and waste.
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 | 0,009 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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; 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 ».