Linking Emergency Medical Services and Health System Data: Optimal Strategy and Bias Mitigation
Notice bibliographique
Résumé
IntroductionEmergency Medical Services (EMS) systems dispatch paramedics to emergencies in the community. For critically ill patients, paramedic interventions and transport destination decisions may impact outcomes. Research is needed to inform paramedic care, but linking EMS data to health system outcomes is a barrier. Limited research exists on EMS data linkage.
 Objectives and ApproachTo optimize linkage of EMS data (fiscal year 2016/17) to the National Ambulatory Care Reporting System/Sunrise Clinical Manager datasets and assess bias. A random sample of EMS records were deterministically linked on provincial health number (PHN), transport destination, and EMS/emergency department arrival/presentation times ≤2hrs. Linked data were manually verified using last name, sex, date of birth, and hospital file number. For patients that remained unlinked (based on the variables listed above), further linkage attempts were made using additional variables. The combination of variables that optimized sensitivity/positive predictive value/f-measure were used to link the fiscal year. Linked/unlinked groups were descriptively compared.
 ResultsWhile results are still pending (available April, 2018), we hypothesize that there may be inherent differences in the clinical and encounter characteristics of patients that were linked versus unlinked. Patient identifiers such as PHN and name are important for linkage, but are not always collected on EMS events that require immediate treatment and rapid transport, yet these patients may be the most critically ill.
 Conclusion/ImplicationsAs more EMS systems attempt to systematically link their data to health system outcome, these results will be important to mitigate potential bias.
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 | 0,002 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».