Integration of Patient-Reported Outcome Measures in the Electronic Health Record: The Veterans Affairs Experience
Notice bibliographique
Résumé
PURPOSE: There are growing efforts to integrate patient-reported outcome (PRO) data into electronic health records (EHRs) to bring together disparate sources of patient information and improve medical care. PRO measures can be used to assess cancer symptom presence and severity. Integrating PRO tools in EHRs can alert providers to address symptoms, which is an essential component of comprehensive oncology care. METHODS: We modified a PRO used to measure cancer and end-of-life symptoms, the Edmonton Symptom Assessment System to create the Veteran Symptom Assessment System (VSAS). VSAS was implemented as an integrated PRO as part of the Veterans Administration EHR system and was used at hematology-oncology clinics in Veteran Administration (VA) medical centers in the Southeast. RESULTS: From 2013 to 2014, VSAS was introduced, underwent usability testing and modifications, and was finally implemented in the EHR. Between 2015 and 2019, VSAS was administered 43,883 times in 9,058 patients. Eighty-nine percent of Veterans were male, 11% were female, 52% identified as non-Hispanic White, and 43% identified as African American. Fatigue, shortness of breath with exertion, and pain were most frequently reported initially (68%, 48%, and 45%, respectively) and were most frequently rated as severe (27%, 16%, and 17%, respectively). In patients diagnosed with stage IV cancer, higher symptom burden was significantly associated with shorter overall survival. The majority of Veterans with longitudinal measurements experienced improvement in symptoms, most frequently in severe symptoms. CONCLUSION: To our knowledge, this is the first large-scale implementation of a PRO system, integrated in the VA EHR, in ambulatory patients with cancer and blood disorders. The integration of VSAS within the VA EHR is a significant demonstration and a necessary requirement for current and future systemic initiatives in cancer symptom management.
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 | 0,073 | 0,155 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».