MétaCan
Menu
Retour à la cohorte
Enregistrement W2945308986 · doi:10.12927/cjnl.2019.25811

Optimizing Nursing Practice through Integration of Best Practice Guidelines into Electronic Medical Records

2019· article· en· W2945308986 sur OpenAlexaffvenue
Vanessa Burkoski, Jennifer Yoon, Nataly Farshait, Derek Hutchinson, Barbara Collins, Shirley Solomon, Doris Grinspun

Notice bibliographique

RevueNursing leadership · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueClinical practice guidelines implementation
Établissements canadiensRegistered Nurses' Association of OntarioHumber River Regional Hospital
Organismes subventionnairesnon disponible
Mots-clésAuditNursingNursing practiceScale (ratio)Best practiceFunction (biology)Process (computing)Medical recordElectronic medical recordMedical practiceMedicineProcess managementMedical educationBusinessMedical emergencyComputer sciencePolitical science

Résumé

récupéré en direct d'OpenAlex

A commitment to best practice guidelines (BPGs) is crucial for ensuring the safety of patients. Recognizing the power of information technology, Humber River Hospital has integrated BPGs into the electronic medical record (EMR) infrastructure. The large-scale implementation institutes a uniform standard of care and ensures adherence to BPGs through a forcing function designed to require nurses to complete and document the necessary assessments. The initiative strengthens the audit process and provides the opportunity to identify long-term trends. The implications of the quality improvement initiative are discussed. Due to the widespread use of EMRs, the replication of this initiative is economically feasible in other healthcare settings.

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)0,004
score de la tête « metaresearch » (Gemma)0,089
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche, Méta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Commentaire · Signal consensuel: aucune
Score de désaccord entre enseignants0,900
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,089
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,002
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
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 Opus0,478
Tête enseignante GPT0,540
Écart entre enseignants0,062 · 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'étudeAutre devis
Domainenon disponible
GenreCommentaire

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

En bref

Citations8
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueNursing leadershipMême sujetClinical practice guidelines implementationTravaux en français237 207