MétaCan
Menu
Retour à la cohorte
Enregistrement W4200288841 · doi:10.2196/33584

Paving the Way for Electronic Patient-Centered Measurement in Team-Based Primary Care: Integrated Knowledge Translation Approach

2021· article· en· W4200288841 sur OpenAlexaffvenue
Selena Davis, Marcy Antonio, Mindy A Smith, Paul Burgener, Danielle C. Lavallee, Morgan Price, Sarah Fletcher, Francis Lau

Notice bibliographique

RevueJMIR Formative Research · 2021
Typearticle
Langueen
DomaineHealth Professions
ThématiqueElectronic Health Records Systems
Établissements canadiensUniversity of British ColumbiaMichael Smith Health Research BCUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésWorkflowPatient portalKnowledge translationHealth careQuality managementData collectionQuality (philosophy)NursingKnowledge managementMedicineMedical educationComputer scienceService (business)Business

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Patient-centered measurement (PCM) aims to improve the overall quality of care through the collection and sharing of patient values, outcomes, and perspectives. However, the use of PCM in care team decisions remains limited. Integrated knowledge translation (IKT) offers a collaborative, adaptive approach to explore best practices for incorporating PCM into primary care practices by involving knowledge users, including patients and providers, in the exploratory process. OBJECTIVE: This study aims to test the feasibility of using patient-generated data in team-based care; describe the use of these data for team-based mental health care; and summarize patient and provider care experiences with PCM. METHODS: We conducted a multi-method exploratory study in a rural team-based primary care clinic using IKT to co-design, implement, and evaluate the use of PCM in team-based mental health care. Care pathways, workflows, and quality improvement activities were adjusted iteratively to improve integration efforts. Patient and provider experiences were evaluated using individual interviews relating to the use of PCM and patient portals in practice. All meeting notes, interview summaries, and emails were analyzed to create a narrative evaluation. RESULTS: During co-design, a care workflow was developed to incorporate electronically collected patient-generated data from the patient portal into the electronic medical record, and customized educational tools and resources were added. During implementation, care pathways and patient workflows for PCM were developed. Patients found portal use easy, educational, and validating, but data entries were not used during care visits. Providers saw the portal as extra work, and the lack of portal and electronic medical record integration was a major barrier. The IKT approach was invaluable for addressing workflow changes and understanding the ongoing barriers to PCM use and quality improvement. CONCLUSIONS: Although the culture toward using PCM is changing, the use of PCM during care has not been successful. Patients felt validated and supported through portal use and could be empowered to bring these data to their visits. Training, modeling, and adaptable PCM methods are required before PCM can be integrated into routine 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 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)0,059
score de la tête « metaresearch » (Gemma)0,075
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,059
Score d'incertitude au seuil0,312

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0590,075
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0030,004
Études des sciences et des technologies0,0030,006
Communication savante0,0090,007
Science ouverte0,0040,012
Intégrité de la recherche0,0020,004
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,240
Tête enseignante GPT0,483
Écart entre enseignants0,243 · 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'étudeQualitatif
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

Citations14
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJMIR Formative ResearchMême sujetElectronic Health Records SystemsTravaux en français237 207