MétaCan
Menu
Retour à la cohorte
Enregistrement W3164381515 · doi:10.1016/j.xkme.2021.03.009

Integrated Digital Health System Tools to Support Decision Making and Treatment Preparation in CKD: The PREPARE NOW Study

2021· article· en· W3164381515 sur OpenAlexaff
Jamie A. Green, Patti L. Ephraim, Felicia Hill‐Briggs, Teri Browne, Tara S. Strigo, Christina Yule, Rebecca Stametz, Diane Littlewood, Jane Pendergast, Sarah B. Peskoe, Jennifer St. Clair Russell, Evan Norfolk, Ion D. Bucaloiu, Shravan Kethireddy, Daniel E. Davis, Jeremy dePrisco, Dave Malloy, Sherri Fulmer, Jennifer A. Martin, Dori Schatell, Navdeep Tangri, Amanda Sees, Cory Siegrist, Jeffrey Breed, Jonathan Billet, M Hackenberg, Nrupen A. Bhavsar, L. Ebony Boulware

Notice bibliographique

RevueKidney Medicine · 2021
Typearticle
Langueen
DomaineHealth Professions
ThématiqueElectronic Health Records Systems
Établissements canadiensUniversity of ManitobaSeven Oaks General Hospital
Organismes subventionnairesPatient-Centered Outcomes Research Institute
Mots-clésMedicineKidney diseaseNephrologyClinical decision support systemRenal replacement therapyDecision support systemElectronic health recordHealth careFamily medicineIntensive care medicineMedical emergencyNursingInternal medicineComputer science

Résumé

récupéré en direct d'OpenAlex

RATIONALE & OBJECTIVE: Digital health system tools to support shared decision making and preparation for kidney replacement treatments for patients with chronic kidney disease (CKD) are needed. STUDY DESIGN: Descriptive study of the implementation of digital infrastructure to support a patient-centered health system intervention. SETTING & PARTICIPANTS: 4 CKD clinics within a large integrated health system. EXPOSURE: We developed an integrated suite of digital engagement tools to support patients' shared decision making and preparation for kidney failure treatments. Tools included an automated CKD patient registry and risk prediction algorithm within the electronic health record (EHR) to identify and prioritize patients in need of nurse case management to facilitate shared decision making and preparation for kidney replacement treatments, an electronic patient-facing values clarification tool, a tracking application to document patients' preparation for treatments, and an EHR work flow to broadcast patients' treatment preferences to all health care providers. OUTCOMES: Uptake and acceptability. ANALYTIC APPROACH: Mixed methods. RESULTS: From July 1, 2017, through June 30, 2018, the CKD registry identified 1,032 patients in 4 nephrology clinics, of whom 243 (24%) were identified as high risk for progressing to kidney failure within 2 years. Kidney Transitions Specialists enrolled 117 (48%) high-risk patients by the end of year 1. The values tool was completed by 30/33 (91%) patients who attended kidney modality education. Nurse case managers used the tracking application for 100% of patients to document 287 planning steps for kidney replacement therapy. Most (87%) high-risk patients had their preferred kidney replacement modality documented and displayed in the EHR. Nurse case managers reported that the tools facilitated their identification of patients needing support and their navigation activities. LIMITATIONS: Single institution, short duration. CONCLUSIONS: Digital health system tools facilitated rapid identification of patients needing shared and informed decision making and their preparation for kidney replacement treatments. FUNDING: This work was supported through a Patient-Centered Outcomes Research Institute (PCORI) Project Program Award (IHS-1409-20967). TRIAL REGISTRATION: ClinicalTrials.gov NCT02722382.

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)0,026
score de la tête « metaresearch » (Gemma)0,034
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,026
Score d'incertitude au seuil0,137

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0260,034
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,003
Communication savante0,0030,005
Science ouverte0,0010,005
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,089
Tête enseignante GPT0,474
Écart entre enseignants0,385 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
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

Citations24
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueKidney MedicineMême sujetElectronic Health Records SystemsTravaux en français237 207