The Clinical Decision Support System AMPEL for Laboratory Diagnostics: Implementation and Technical Evaluation
Notice bibliographique
Résumé
BACKGROUND: Laboratory results are of central importance for clinical decision making. The time span between availability and review of results by clinicians is crucial to patient care. Clinical decision support systems (CDSS) are computational tools that can identify critical values automatically and help decrease treatment delay. OBJECTIVE: With this work, we aimed to implement and evaluate a CDSS that supports health care professionals and improves patient safety. In addition to our experiences, we also describe its main components in a general manner to make it applicable to a wide range of medical institutions and to empower colleagues to implement a similar system in their facilities. METHODS: Technical requirements must be taken into account before implementing a CDSS that performs laboratory diagnostics (labCDSS). These can be planned within the functional components of a reactive software agent, a computational framework for such a CDSS. RESULTS: We present AMPEL (Analysis and Reporting System for the Improvement of Patient Safety through Real-Time Integration of Laboratory Findings), a labCDSS that notifies health care professionals if a life-threatening medical condition is detected. We developed and implemented AMPEL at a university hospital and regional hospitals in Germany (University of Leipzig Medical Center and the Muldental Clinics in Grimma and Wurzen). It currently runs 5 different algorithms in parallel: hypokalemia, hypercalcemia, hyponatremia, hyperlactatemia, and acute kidney injury. CONCLUSIONS: AMPEL enables continuous surveillance of patients. The system is constantly being evaluated and extended and has the capacity for many more algorithms. We hope to encourage colleagues from other institutions to design and implement similar CDSS using the theory, specifications, and experiences described in this work.
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 | 0,018 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».