MétaCan
Menu
Retour à la cohorte
Enregistrement W2896114600 · doi:10.2196/11195

A Rapid Process for Identifying and Prioritizing Technology-Based Tools for Health System Implementation

2018· article· en· W2896114600 sur OpenAlexvenueno aff
Emily Dibble, Bradley Iott, Allen Flynn, Darren King, Mark MacEachern, Charles P. Friedman, Tanner Caverly

Notice bibliographique

RevueJMIR Cancer · 2018
Typearticle
Langueen
DomaineHealth Professions
ThématiqueElectronic Health Records Systems
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésProcess (computing)Process managementComputer scienceData scienceRisk analysis (engineering)Systems engineeringEngineeringBusiness

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Health system decisions to put new technologies into clinical practice require a rapid and trustworthy decision-making process informed by best evidence. OBJECTIVE: This study aimed to present a rapid evidence review process that can be used to inform health system leaders and clinicians seeking to implement new technology tools to improve patient-clinician decision making and patient-oriented outcomes. METHODS: The rapid evidence review process we pioneered involved 5 sequential subprocesses: (1) environmental scan, (2) expert panel recruitment, (3) host evidence review panel, (4) analysis, and (5) local validation panel. We conducted an environmental scan of health information technology (IT) literature to identify relevant digital tools in oncology care. We synthesized the recent literature using current evidence review methods, creating visual summaries for use by a national panel of experts. Panelists were taken through a 6-hour modified Delphi process to prioritize tools for implementation. Findings from the rapid evidence review panel were taken to a local validation panel for further rapid review during a 3-hour session. RESULTS: Our rapid evidence review process shows promise for informing decision making by reducing the amount of time and resources needed to identify and prioritize adoption of IT tools. Despite evidence of improved patient outcomes, panelists had substantial concerns about implementing patient-reported outcome tracking tools, voicing concerns about liability, lack of familiarity with new technology, and additional time and workflow changes such tools would require. Instead, clinicians favored technologies that did not require clinician involvement. CONCLUSIONS: Health system leaders can use the rapid evidence review process presented here to usefully inform local technology adoption, implementation, and use in practice.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesÉtudes des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,858
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,187
Tête enseignante GPT0,581
Écart entre enseignants0,394 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR CancerMême sujetElectronic Health Records SystemsTravaux en français237 207