Using family physician Electronic Medical Record data to measure the pathways of cancer care
Notice bibliographique
Résumé
IntroductionGaps in care have been identified along the disease pathway for specific cancers. However, no real-world data exists to identify wait times along these cancer pathways. Secondary use of family physician (FP) electronic medical record data (EMR) can augment existing health administrative data in measuring steps in the care pathways. Objectives and ApproachWe used FP EMR data to identify care pathways for lung cancer and breast cancer patients from the description of symptoms, to the initiation of investigations, referrals to specialty care and the receipt of specific treatments (surgery, chemotherapy, radiation treatment). Data from the Electronic Medical Record Administrative data Linked Database (EMRALD) held at the Institute for Clinical Evaluative Sciences (ICES) was used to identify a cohort of lung cancer and breast cancer patients. Data abstractors examined the FP EMR notes to identify pre-diagnostic symptoms, pre-diagnostic radiological test, biopsy results, oncology and surgical specialist referrals and post-diagnostic surgical and oncological consultations. ResultsTo date, abstractors have reviewed the FP EMR notes for 300 lung cancer patient and 1200 breast cancer patients. Abstractors identified an index date where there was documentation of the first abnormal test result and/or a FP progress note documenting a “suspicious” or “concerning” sign or symptom. For both lung cancer and breast cancer patients, a pre-diagnostic index date was identified in 88.5% of FP EMR notes. For lung cancer patients 66.7% based were based on abnormal chest x-rays and for breast cancer patients 81.1% were based on abnormal mammograms. Pre-diagnostic symptoms were identified in 62.1% of FP EMR notes and 81.6% had post-diagnostic consultation notes. Wait times from the index date to seeing an oncological specialist were less than four weeks for all patients. Conclusion/ImplicationsWe are able to use information from FP EMRs linked to health administrative data to identify pre-diagnostic care received by patients prior to their cancer diagnosis. This information can be used to identify care gaps and measure wait times in receiving cancer care from a patient’s perspective.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,008 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».