Measuring chronic obstructive pulmonary disease (COPD) quality indicators using primary care electronic medical records (EMRs) in Ontario, Canada
Notice bibliographique
Résumé
RATIONALE: Quality management standards are available for chronic obstructive pulmonary disease (COPD), but how often they are followed in community settings is uncertain.OBJECTIVES: We sought to measure the adherence to standard quality of care criteria for COPD management in primary care using primary care electronic medical records as an indicator for quality of COPD management.METHODS: We conducted a cross-sectional study using EMR data from Ontario and previously validated set of COPD quality indicators previously developed by the Ontario COPD Population Health Network. We analyzed how often the COPD quality indicators were met for patients with COPD at the population-level and at the family physician-level.MEASUREMENTS AND MAIN RESULTS: Five quality indicators were assessed at population- and family physician (FP)-levels. We included 6995 patients with COPD under care of 247 FPs. The highest performing quality indicator was the recording of patients’ smoking history in the EMR. FPs varied in their rates of provision of smoking cessation support to current smokers, recording of spirometry, administration of pneumococcal and seasonal influenza vaccines. Five additional health care or medication utilization rates were assessed for all patients with COPD regardless of disease severity, including prescriptions for short-acting and long-acting bronchodilators, combined inhaled corticosteroids and long-acting bronchodilators, evidence of pulmonary rehabilitation and oxygen therapy use.CONCLUSION: EMR data can be a useful data source to study COPD care, and there are opportunities for improvement in several areas of COPD management in primary care as well as standardization of EMR use for COPD 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 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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».