Who is asked about alcohol consumption? A retrospective cohort study using a national repository of Electronic Medical Records
Notice bibliographique
Résumé
Documentation of alcohol use in electronic medical record (EMR) informs interventions to reduce alcohol-related morbidity and mortality. This retrospective cohort study explored EMR data from 960 primary care providers participating in the Canadian Primary Care Sentinel Surveillance Network to describe documentation of alcohol use (e.g. none, current or past use) in the EMR. Included providers represented 700,620 adult patients from across Canada with an encounter between 2015 and 2018. Bivariate comparisons characterized the patients with, and without, documentation of alcohol use. Multivariate generalized estimating equation models with logit function assessed patient and provider characteristics associated with (1) documentation of alcohol and (2) patients with heightened risk for alcohol-related problems. Forty percent of patients had alcohol use documentation in the EMR. Light alcohol consumption was recorded for 43.6% of these patients. Male patients (OR1.09, CI 1.07-1.12), who were older (OR1.26, CI 1.23-1.30), had more frequent visits to their provider (OR1.11, CI 1.09-1.13) and had hypertension (OR1.07, CI 1.06-1.09) or depression (OR1.07, CI 1.09-1.14) had higher odds of alcohol documentation. There were 4.7% of patients with a record indicating heightened risk for alcohol-related problems. Male patients (OR3.27 CI 3.14-3.4), patients with depression (OR2.01 CI1.93-2.1) and rural residency (OR1.35 CI1.29-1.42) was associated with risk for alcohol-related problems. Heavy alcohol consumption is associated with an increased risk of negative health outcomes, particularly for patients with certain chronic conditions. However, these patients do not have alcohol use consistently documented in the EMR. Strategies should be designed and implemented to support more consistent alcohol-screening among high-risk patients.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 tête enseignante, 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 ».