MétaCan
Menu
Retour à la cohorte
Enregistrement W3023324954 · doi:10.1210/jendso/bvaa046.1779

MON-118 Reducing Unnecessary Repeat HbA1c Testing in a Tertiary Academic Hospital

2020· article· en· W3023324954 sur OpenAlexaffabout
Vamana Rajeswaran, Lisa Alexander, Raad Alwithenani, Diana Jaskolka, Shirine Usmani, Susan T. Tran, Sarah Khan, Paul S. F. Yip, Geetha Mukerji

Notice bibliographique

RevueJournal of the Endocrine Society · 2020
Typearticle
Langueen
DomaineHealth Professions
ThématiqueArtificial Intelligence in Healthcare
Établissements canadiensHealth Sciences CentreSunnybrook Health Science CentreWomen's College HospitalUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésMedicineReimbursementGlycated hemoglobinQuality managementPrimary careTest (biology)Internal medicineFamily medicineEmergency medicineDiabetes mellitusType 2 diabetesHealth careOperations management

Résumé

récupéré en direct d'OpenAlex

Abstract Background Glycated hemoglobin (HbA1c) is a surrogate marker of glycemia over the preceding three months, where the last 30 days contributes to 50% of the value (1). Therefore guidelines often recommend repeating HbA1c only after 3 months in most situations (2), but repeat testing of HbA1c is often conducted earlier when not warranted (3). We aimed to conduct a Quality Improvement (QI) initiative to reduce unnecessary repeat testing of HbA1c at a large tertiary care academic hospital in Toronto, Ontario by 50% by May 2020. Methods: The Model for Improvement Quality Improvement (QI) framework was used in the design of the QI project to reduce repeat HbA1c. Problem characterization was conducted to understand root causes and iterative Plan-Do-Study-Act cycles were used to develop a change intervention. Unnecessary HbA1c tests were the primary outcome and defined as repeat HbA1c testing within 60 days; the top three specialities that ordered unnecessary HbA1c tests were targeted for education prior to implementation of the change intervention. Results: Baseline data on all HbA1c tests in 2018 revealed repeat testing in approximately 10% of 15,290 HbA1c tests, with estimated potential savings of more than $11,000 based on the provincial reimbursement rate. The top 3 ordering specialities targeted for education included Nephrology (n=410 repeat HbA1c tests), Cardiology (n=246 repeat HbA1c tests), and Endocrinology (n=136 repeat HbA1C tests). Root cause analysis revealed that providers often ordered repeat HbA1c tests due to being unaware of prior results and a knowledge gap of testing recommendations. A laboratory forced function will be implemented on December 1, 2019 to cancel any repeat HbA1c tests within 60 days and calls to the lab to add HbA1c testing will be tracked. Conclusions: Repeat HbA1c testing is frequent in hospital settings and can be an important target for QI efforts. A forced function to cancel processing of repeat HbA1c may be an appropriate QI intervention to reduce repeat testing to promote high-value care. Ongoing data analysis will be conducted to assess the impact of this intervention. References (1) Goldstein DE, Little RR, Lorenz RA, Malone JI, Nathan D, Peterson CM, Sacks DB. Tests of Glycemia in Diabetes. Diabetes Care 2004;27(7): 1761-1773. (2) Berard LD, Siemens R, Woo V. Diabetes Canada 2018 Clinical Practice Guidelines for the Prevention and Management of Diabetes in Canada: Monitoring Glycemic Control. Can J Diabetes 2018;42(Suppl 1):S47-S53. (3) Chami N, Simons JE, Sweetman A, Don-Wauchope AC. Rates of inappropriate laboratory test utilization in Ontario. Clinical Biochemistry 2017;50: 822-827.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,361
Score d'incertitude au seuil0,719

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0010,000
Science ouverte0,0020,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,124
Tête enseignante GPT0,437
Écart entre enseignants0,313 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations0
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of the Endocrine SocietyMême sujetArtificial Intelligence in HealthcareTravaux en français237 207