Using Information Technology to Assess Patient Risk Factors in Primary Care Clinics: Pragmatic Evaluation
Notice bibliographique
Résumé
BACKGROUND: Tobacco use, physical inactivity, and poor diet are associated with morbidity and premature death. Health promotion and primary prevention counseling, advice, and support by a primary care provider lead to behavior change attempts among patients. However, although physicians consider preventative health important, there is often a larger focus on symptom presentation, acute care, and medication review. OBJECTIVE: This study evaluated the feasibility, adoption, and integration of the tablet-based Risk Factor Identification Tool (RFIT) that uses algorithmic information technology to support obtainment of patient risk factor information in primary care clinics. METHODS: This is a pragmatic developmental evaluation. Each clinic developed a site-specific implementation plan adapted to their workflow. The RFIT was implemented in 2 primary care clinics located in Manitoba. Perceptions of 10 clinic staff and 8 primary care clinicians informed this evaluation. RESULTS: Clinicians reported a smooth and fast transfer of RFIT responses to an electronic medical record encounter note. The RFIT was used by 207 patients, with a completion rate of 86%. Clinic staff reported that approximately 3%-5% of patients declined the use of the RFIT or required assistance to use the tablet. Among the 207 patients that used the RFIT, 22 (12.1%) smoked, 39 (21.2%) felt their diet could be improved, 20 (12.0%) reported high alcohol consumption, 103 (56.9%) reported less than 150 minutes of physical activity a week, and 6 (8.2%) patients lived in poverty. Clinicians suggested that although a wide variety of patients were able to use the tablet-based RFIT, implemented surveys should be tailored to patient subgroups. CONCLUSIONS: Clinicians and clinic staff positively reviewed the use of information technology in primary care. Algorithmic information technology can collect, organize, and synthesize individual health information to inform and tailor primary care counseling to the patients' context and readiness to change. The RFIT is a user-friendly tool that provides an effective method for obtaining risk factor information from patients. It is particularly useful for subsets of patients lacking continuity in the care they receive. When implemented within a context that can support practical interventions to address identified risk factors, the RFIT can inform brief interventions within primary care.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,084 | 0,115 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».