Improving performance in the ED through laboratory information exchange systems
Notice bibliographique
Résumé
BACKGROUND: The accessibility of laboratory test results is crucial to the performance of emergency departments and to the safety of patients. This study aims to develop a better understanding of which laboratory information exchange (LIE) systems emergency care physicians (ECPs) are using to consult their patients' laboratory test results and which benefits they derive from such use. METHODS: A survey of 163 (36%) ECPs in Quebec was conducted in collaboration with the Quebec's Department of Health and Social Services. Descriptive statistics, chi-square tests, cluster analyses, and ANOVAs were conducted. RESULTS: The great majority of respondents indicated that they use several LIE systems including interoperable electronic health record (iEHR) systems, laboratory results viewers (LRVs), and emergency department information systems (EDIS) to consult their patients' laboratory results. Three distinct profiles of LIE users were observed. The extent of LIE usage was found to be primarily determined by the functional design differences between LIE systems available in the EDs. Our findings also indicate that the more widespread LIE usage, the higher the perceived benefits. More specifically, physicians who make extensive use of iEHR systems and LRVs obtain the widest range of benefits in terms of efficiency, quality, and safety of emergency care. CONCLUSIONS: Extensive use of LIE systems allows ECPs to better determine and monitor the health status of their patients, verify their diagnostic assumptions, and apply evidence-based practices in laboratory medicine. But for such benefits to be possible, ECPs must be provided with LIE systems that produce accurate, up-to-date, complete, and easy-to-interpret information.
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 | 0,005 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».