Towards a Knowledge-Based Recommender System for Linking Electronic Patient Records With Continuing Medical Education Information at the Point of Care
Notice bibliographique
Résumé
Given the limits of human memory, clinicians have trouble recalling therapeutic recommendations, even when the clinician previously judged that the information relevant for the care of a specific patient. To tackle this problem, we present a knowledge-based recommender system prototype that links the electronic patient records to clinical information, previously delivered to the target physician and judged to be potentially beneficial. We developed this prototype within the context of RxTx, a Canadian continuing medical education program. We apply a constraint-based recommendation strategy as follows: (1) clinical experts (taggers) map a set of therapeutic recommendations (called Highlights) to a requirement statement built from the standard clinical codes and supplementary demographic information, when applicable; (2) a matching system identifies patient-Highlights recommendation pairs through requirement satisfaction; and (3) given a patient record being examined, the recommended Highlights can be retrieved online at the point of care. We tested this prototype using electronic medical records from the Canadian Primary Care Sentinel Surveillance Network and 87 therapeutic Highlights from the RxTx collection, evaluating the system's performance against a gold standard consisting of a two-expert consolidated patient-Highlight matching set for 150 patient records. The requirements-based recommendation system exhibits very high precision (mode: 1.0, 89% of the time; average precision: 0.95) and moderate recall (mode 1.0, 48.7% of the time; average recall: 0.61). The near-perfect precision minimizes the possibility of generating alert fatigue in physicians using the system. We note that more than half of the false negative results from the information being available in the text of the electronic medical records, but unavailable as a clinical code. The near-perfect precision over the tested patient set suggests that the system has the potential to deliver high-quality recommendations of clinical information at the point of care while being easily integrated within a continuing medical education program and the clinician's workflow.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».