Data quality in electronic medical records in Manitoba: Do problem lists reflect chronic disease as defined by prescriptions?
Notice bibliographique
Résumé
OBJECTIVE: To determine if the problem list (health conditions) in primary care electronic medical records (EMRs) accurately reflects the conditions for which chronic medications are prescribed in the EMR. DESIGN: A retrospective analysis of EMR data. SETTING: Eighteen primary care clinics across rural and urban Manitoba using the Accuro EMR. PARTICIPANTS: Data from the EMRs of active patients seen in an 18-month period (December 18, 2011, to June 18, 2013, or December 3, 2012, to June 3, 2014) were used. MAIN OUTCOME MEASURES: The likelihood of documentation in the EMR problem list of those specific chronic diseases for which drug prescriptions were documented in the EMR. Regression modeling was performed to determine the effect of clinic patient load and remuneration type on the completeness of EMR problem lists. RESULTS: Overall problem-list completeness was low but was highest for diabetes and lowest for insomnia. Fee-for-service clinics generally had lower problem-list completeness than salaried clinics did for all prescription medications examined. Panel size did not affect problem-list completeness rates. CONCLUSION: The low EMR problem-list completeness suggests that this field is not reliable for use in quality improvement initiatives or research until higher reliability has been demonstrated. Further research is recommended to explore the reasons for the poor quality and to support improvement efforts.
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 | 0,021 | 0,129 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,005 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».