MétaCan
Menu
Retour à la cohorte
Enregistrement W3076096311 · doi:10.1186/s12911-020-01194-y

Home blood pressure data visualization for the management of hypertension: designing for patient and physician information needs

2020· article· en· W3076096311 sur OpenAlex

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.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueBMC Medical Informatics and Decision Making · 2020
Typearticle
Langueen
DomaineComputer Science
ThématiqueData Visualization and Analytics
Établissements canadiensSinai Health SystemLunenfeld-Tanenbaum Research InstituteUniversity of Toronto
Organismes subventionnairesNational Institute of Diabetes and Digestive and Kidney DiseasesAgency for Healthcare Research and Quality
Mots-clésBlood pressureWorkflowMedicineThematic analysisHealth informaticsData visualizationFocus groupVisualizationQualitative researchNursingComputer scienceData miningInternal medicinePublic healthDatabase

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Nearly half of US adults with diagnosed hypertension have uncontrolled blood pressure. Clinical inertia may contribute, including patient-physician uncertainty about how variability in blood pressures impacts overall control. Better information display may support clinician-patient hypertension decision making through reduced cognitive load and improved situational awareness. METHODS: A multidisciplinary team employed iterative user-centered design to create a blood pressure visualization EHR prototype that included patient-generated blood pressure data. An attitude and behavior survey and 10 focus groups with patients (N = 16) and physicians (N = 24) guided iterative design and confirmation phases. Thematic analysis of qualitative data yielded insights into patient and physician needs for hypertension management. RESULTS: Most patients indicated measuring home blood pressure, only half share data with physicians. When receiving home blood pressure data, 88% of physicians indicated entering gestalt averages as text into clinical notes. Qualitative findings suggest that including a data visualization that included home blood pressures brought this valued data into physician workflow and decision-making processes. Data visualization helps both patients and physicians to have a fuller understanding of the blood pressure 'story' and ultimately promotes the activated engaged patient and prepared proactive physician central to the Chronic Care Model. Both patients and physicians expressed concerns about workflow for entering and using home blood pressure data for clinical care. CONCLUSIONS: Our user-centered design process with physicians and patients produced a well-received blood pressure visualization prototype that includes home blood pressures and addresses patient-physician information needs. Next steps include evaluating a recent EHR visualization implementation, designing annotation functions aligned with users' needs, and addressing additional stakeholders' needs (nurses, care managers, caregivers). This significant innovation has potential to improve quality of care for hypertension through better patient-physician understanding of control and goals. It also has the potential to enable remote monitoring of patient blood pressure, a newly reimbursed activity, and is a strong addition to telehealth 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.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,985
Score d'incertitude au seuil0,246

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,000
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 Opus0,079
Tête enseignante GPT0,326
Écart entre enseignants0,247 · 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