Adoption of a laboratory EMR system and inappropriate laboratory testing in Ontario: a cross-sectional observational study
Notice bibliographique
Résumé
BACKGROUND: Electronic medical record (EMR) systems have the potential to facilitate appropriate laboratory testing. We examined three common medical tests in primary care-hemoglobin A1c (HbA1c), lipid, and thyroid stimulating hormone (TSH)- to assess whether adoption of a laboratory EMR system in Ontario had an impact on the rate of inappropriate testing among primary care physicians. METHODS: We used FY2016-17 population-level laboratory data to estimate the association between adoption of a laboratory EMR system and the rate of inappropriate testing. Inappropriate testing was assessed based on recommendations for screening, monitoring, and follow-up that take into account risk factors related to patient age and certain clinical conditions. To overcome the problem of potential endogeneity of physician choice to use the EMR, the EMR penetration rate in the physician's geographical area of practice was used as an instrumental variable in an ordinary least squares (OLS) regression. We then simulated the change in the rate of inappropriate testing, by physician payment model, as the EMR penetration rate increased from the baseline percentage. RESULTS: The simulation models showed that an increase in the rate of EMR penetration from a baseline average was associated with a statistically significant decrease in inappropriate hbA1c and lipid testing, but a statistically insignificant increase in inappropriate TSH testing. The impact of EMR penetration also varied by payment model. CONCLUSIONS: This study demonstrated a positive association between availability of an EMR system and appropriate service utilization. Varying impacts of the EMR system availability by primary care payment model may be reflective of different incentives or attributes inherent in payment models. Policies to encourage physicians to increase their use of laboratory EMR systems could improve the quality and continuity of patient 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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».