MétaCan
Menu
Retour à la cohorte
Enregistrement W3095942822 · doi:10.1093/jamia/ocaa207

An implementation model for managing cloud-based longitudinal care plans for children with medical complexity

2020· article· en· W3095942822 sur OpenAlexaff
Grace Wang, Julia Wignall, Dylan Kinard, Vidhi Singh, Carolyn C. Foster, Sherri Adams, Wanda Pratt, Arti D. Desai

Notice bibliographique

RevueJournal of the American Medical Informatics Association · 2020
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealthcare Policy and Management
Établissements canadiensInstitute for Clinical Evaluative SciencesSickKids FoundationUniversity of Toronto
Organismes subventionnairesAgency for Healthcare Research and QualitySeattle Children's Research Institute
Mots-clésCloud computingPermissionDocumentationHealth Insurance Portability and Accountability ActSoftware portabilityHealth careComputer scienceLeverage (statistics)InteroperabilityInternet privacyConfidentialityWorld Wide WebComputer securityArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: We aimed to iteratively refine an implementation model for managing cloud-based longitudinal care plans (LCPs) for children with medical complexity (CMC). MATERIALS AND METHODS: We conducted iterative 1-on-1 design sessions with CMC caregivers (ie, parents/legal guardians) and providers between August 2017 and March 2019. During audio-recorded sessions, we asked participants to walk through role-specific scenarios of how they would create, review, and edit an LCP using a cloud-based prototype, which we concurrently developed. Between sessions, we reviewed audio recordings to identify strategies that would mitigate barriers that participants reported relating to 4 processes for managing LCPs: (1) taking ownership, (2) sharing, (3) reviewing, and (4) editing. Analysis informed iterative implementation model revisions. RESULTS: We conducted 30 design sessions, with 10 caregivers and 20 providers. Participants emphasized that cloud-based LCPs required a team of owners: the caregiver(s), a caregiver-designated clinician, and a care coordinator. Permission settings would need to include universal accessibility for emergency providers, team-level permission options, and some editing restrictions for caregivers. Notifications to review and edit the LCP should be sent to team members before and after clinic visits and after hospital encounters. Mitigating double documentation barriers would require alignment of data fields between the LCP and electronic health record to maximize interoperability. DISCUSSION: These findings provide a model for how we may leverage emerging Health Insurance Portability and Accountability Act-compliant cloud computing technologies to support families and providers in comanaging health information for CMC. CONCLUSIONS: Utilizing these management strategies when implementing cloud-based LCPs has the potential to improve team-based care across 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)0,002
score de la tête « metaresearch » (Gemma)0,001
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: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,918
Score d'incertitude au seuil0,303

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,001
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 savante0,0000,000
Science ouverte0,0000,000
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 Opus0,064
Tête enseignante GPT0,337
Écart entre enseignants0,273 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
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

Citations18
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of the American Medical Informatics AssociationMême sujetHealthcare Policy and ManagementTravaux en français237 207