Using Digital Health to Support Best Practices: Impact of MRI Ordering Guidelines Embedded Within an Electronic Referral Solution
Notice bibliographique
Résumé
BACKGROUND: Between 2003 and 2012, the number of MRIs performed in Canada more than doubled to 1.7 million [1]. According to a 2010 Health Council of Canada report nearly 30% of MRIs were inappropriately ordered [2]. The use of diagnostic imaging referral guidelines has been shown to improve the appropriateness of imaging orders [3, 4]. OBJECTIVES: To identify the number of unnecessary pre-consult MRIs ordered for patients with knee pain. As well, the impact that new evidence-based clinical decision support (DS) guidelines embedded within the referral form has had on the number of unnecessary MRIs was investigated. METHODS: This study employed a retrospective design approach. Charts of all knee pain patients over the age of 55 who were referred for consultation to the 5 participating orthopedic surgeons during the study period were reviewed by three medical students. RESULTS: 270 patient charts were included in this study. MRI was ordered for 60 patients with only 56.7% having had a prior X-ray. Of the 60 ordered MRIs, 50 (84%) were considered inappropriate, while only 10 (16%) were appropriate. Our results were compared to previous results of a quality improvement study implemented at the same clinic. A substantial reduction of 12% in the number of pre-consult MRIs and a 5% increase in the number of ordered X-rays before consultation was demonstrated. CONCLUSION: This work highlights the impact of including DS tools within an electronic referral form to support clinical best practices.
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 | 0,016 | 0,116 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 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 ».