MétaCan
Menu
Retour à la cohorte
Enregistrement W3103186681 · doi:10.2196/23353

Universal Patient Identifier and Interoperability for Detection of Serious Drug Interactions: Retrospective Study

2020· article· en· W3103186681 sur OpenAlexvenueno aff
Howard Michael Sragow, Eileen Bidell, DOUGLAS E. MAGER, Shaun J. Grannis

Notice bibliographique

RevueJMIR Medical Informatics · 2020
Typearticle
Langueen
DomaineHealth Professions
ThématiqueElectronic Health Records Systems
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPharmacyIdentifierMedicineHealth information exchangeHealth careInteroperabilityPopulationMedical prescriptionMedical emergencyComputer securityBusinessInternet privacyFamily medicineComputer scienceNursingEnvironmental healthWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The United States, unlike other high-income countries, currently has no national unique patient identifier to facilitate health information exchange. Because of security and privacy concerns, Congress, in 1998, prevented the government from promulgating a unique patient identifier. The Health and Human Services funding bill that was enacted in 2019 requires that Health and Human Services report their recommendations on patient identification to Congress. While there are anecdotes of incomplete health care data due to patient misidentification, to date there have been insufficient large-scale analyses measuring improvements to patient care that a unique patient identifier might provide. This lack of measurement has made it difficult for policymakers to balance security and privacy concerns against the value of potential improvements. OBJECTIVE: We sought to determine the frequency of serious drug-drug interaction alerts discovered because a pharmacy benefits manager uses a universal patient identifier and estimate undiscovered serious drug-drug interactions because pharmacy benefit managers do not yet fully share patient records. METHODS: We conducted a retrospective study of serious drug-drug interaction alerts provided from September 1, 2016 to August 31, 2019 to retail pharmacies by a national pharmacy benefit manager that uses a unique patient identifier. We compared each alert to the contributing prescription and determined whether the unique patient identifier was necessary in order to identify the crossover alert. We classified each alert's disposition as override, abandonment, or replacement. Using the crossover alert rate and sample population size, we inferred a rate of missing serious drug-drug interaction alerts for the United States. We performed logistic regression in order to identify factors correlated with crossover and alert outcomes. RESULTS: Among a population of 49.7 million patients, 242,646 serious drug-drug interaction alerts occurred in 3 years. Of these, 2388 (1.0%) crossed insurance and were discovered because the pharmacy benefit manager used a unique patient identifier. We estimate that up to 10% of serious drug-drug alerts in the United States go undetected by pharmacy benefit managers because of unexchanged information or pharmacy benefit managers that do not use a unique patient identifier. These information gaps may contribute, annually, to up to 6000 patients in the United States receiving a contraindicated medication. CONCLUSIONS: Comprehensive patient identification across disparate data sources can help protect patients from serious drug-drug interactions. To better safeguard patients, providers should (1) adopt a comprehensive patient identification strategy and (2) share patient prescription history to improve clinical decision support.

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)0,008
score de la tête « metaresearch » (Gemma)0,028
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 enseignants0,008
Score d'incertitude au seuil0,042

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,028
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,004
Études des sciences et des technologies0,0010,001
Communication savante0,0010,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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 Opus0,034
Tête enseignante GPT0,406
Écart entre enseignants0,372 · 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

Citations11
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Medical InformaticsMême sujetElectronic Health Records SystemsTravaux en français237 207