A Smartphone App for Improving Clinical Photography in Emergency Departments: Comparative Study
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
BACKGROUND: Digital photography is crucial for electronic medical records (EMRs), particularly for documenting dermatological diseases and traumatic wounds. In modern emergency departments (EDs), digital cameras are commonly used for photography, but the process is time-consuming. The problems of addressing patient privacy issues and that of interruptions and heavy workloads can cause archival errors when uploading photos. However, smartphones are widely available and cheap, so with a suitable app many errors could be mitigated. OBJECTIVE: The aim of this study is to design and test a smartphone app to improve the efficiency of clinical photography and improve patient privacy in the ED. The app is connected to the hospital information system to verify patient identification and enable archiving, and the app can automatically delete images after upload to the patient's EMR. METHODS: This study enrolled 48 experienced ED nurses trained in clinical photography. Each nurse was first assigned a digital camera for photography and then a smartphone with the app preinstalled after it was launched. The time taken to upload images to a patient's EMR was then recorded and the efficiency of the digital camera and app groups were compared. RESULTS: The average time taken to upload images to a patient's EMR for the camera and app groups were 96.3 s (SD 19.3; P<.001) and 26.3 s (SD 4.7; P<.001), respectively. CONCLUSIONS: The app effectively reduced processing time and improved clinical photography efficiency in the ED. Some issues of patient privacy in the camera group were revealed and resolved in the app group.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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