Reducing Unnecessary Phlebotomy Testing Using a Clinical Decision Support System
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Reducing unnecessary tests reduces costs without compromising quality. We report here the effectiveness of a clinical decision support system (CDSS) on reducing unnecessary type and screen tests and describe, estimated costs, and unnecessary provider ordering. METHODS: We used a pretest posttest design to examine unnecessary type and screen tests 3 months before and after CDSS implementation in a large academic medical center. The clinical decision support system appears when the test order is initiated and indicates when the last test was ordered and expires. Cost savings was estimated using time-driven activity-based costing. Provider ordering before and after the CDSS was described. RESULTS: There were 26,206 preintervention and 25,053 postintervention specimens. Significantly fewer unnecessary type and screen tests were ordered after the intervention (12.3%, n = 3,073) than before (14.1%, n = 3,691; p < .001) representing a 12.8% overall reduction and producing an estimated yearly savings of $142,612. Physicians had the largest weighted percentage of unnecessary orders (31.5%) followed by physician assistants (28.5%) and advanced practice nurses (11.9%). CONCLUSIONS: The CDSS reduced unnecessary type and screen tests and annual costs. Additional interventions directed at providers are recommended. The clinical decision support system can be used to guide all providers to make judicious decisions at the time of care.
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.
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 | 0,015 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 découle