MétaCan
Menu
Retour à la cohorte
Enregistrement W3117820268 · doi:10.23889/ijpds.v5i3.1352

Indicators of missing Electronic Medical Record (EMR) discharge summaries: A retrospective study on data from a large Canadian cohort

2020· article· en· W3117820268 sur OpenAlexaffabout
Natalie Wiebe, Yuan Xu, Abdel Aziz Shaheen, Catherine Eastwood, Bastien Boussat, Hude Quan

Notice bibliographique

RevueInternational Journal for Population Data Science · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueHeart Failure Treatment and Management
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésMissing dataMedicineMedical recordLogistic regressionElectronic medical recordComorbidityCohortElectronic recordsEmergency medicineRetrospective cohort studyInternal medicineDatabaseStatistics

Résumé

récupéré en direct d'OpenAlex

INTRODUCTION AND OBJECTIVES: Electronic medical records (EMRs), specifically the discharge summary (DS), can improve secondary use data availability and interprofessional communication. We aimed to describe the completeness of our EMRs by assessing the presence of a DS in the EMR. Additionally, we assessed for indicators of a missing DS. METHODS: A chart review was conducted on 3,011 non-obstetric adult inpatient charts in Calgary, Alberta. 893 charts were missing an electronic DS. A 10% sample was drawn to evaluate the presence of a paper DS. A Chi-square test, Fisher's test and logistic regression measured the associations between electronic DS absence and i) patient and hospital characteristics, and ii) patient comorbidities. RESULTS: The univariate analyses showed that age, being a surgical patient, a Charlson Comorbidity Index (CCI) of </1, as well as patients with myocardial infarctions, congestive heart failure, cerebrovascular disease, dementia, chronic pulmonary disease, diabetes, and renal disease were associated with a missing DS. Those that were middle aged, surgical patients, or had fewer comorbidities were more likely to have a missing DS. Within the 10% sample, approximately 50% of all patients were from a surgical department, all of which were missing both electronic and paper discharge summaries. CONCLUSIONS: Our study describes indicators of missing electronic DS. The DS impacts interprofessional communication, patient outcomes, and data quality. Therefore, the implications of an incomplete DS are widespread. Our findings will caution future researchers using EMR data about the potential for incomplete data, particularly for patients who are surgical, middle aged, and have fewer comorbidities.

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)0,004
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Présentation des résultats · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,996
Score d'incertitude au seuil0,171

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,009
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,010
Études des sciences et des technologies0,0040,001
Communication savante0,0020,001
Science ouverte0,0030,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,063
Tête enseignante GPT0,390
Écart entre enseignants0,327 · 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.

Devis d'étudeObservationnel
DomainePrésentation des résultats
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

Citations5
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal for Population Data ScienceMême sujetHeart Failure Treatment and ManagementTravaux en français237 207