Hemodialysis Record Sharing: Solution for Work Burden Reduction and Disaster Preparedness
Notice bibliographique
Résumé
BACKGROUND: After the Great East Japan Earthquake in 2011, backup systems for clinical information were launched in Japan. The system in Miyagi Prefecture called the Miyagi Medical and Welfare Information Network (MMWIN) is used as a health information exchange network to share clinical information among various medical facilities for patients who have opted in. Hospitals and clinics specializing in chronic renal failure require patients' data and records during hemodialysis to facilitate communication in daily clinical activity and preparedness for disasters. OBJECTIVE: This study aimed to facilitate the sharing of clinical data of patients undergoing hemodialysis among different hemodialysis facilities. METHODS: We introduced a document-sharing system to make hemodialysis reports available on the MMWIN. We also recruited hospitals and clinics to share the hemodialysis reports of their patients and promoted the development of a network between emergency and dialysis clinics. RESULTS: In addition to basic patient information as well as information on diagnosis, prescription, laboratory data, hospitalization, allergy, and image data from different facilities, specific information about hemodialysis is available, as well as a backup of indispensable information in preparation for disasters. As of June 1, 2021, 12 clinics and 10 hospitals of 68 dialysis facilities in Miyagi participated in the MMWIN. The number of patients who underwent hemodialysis in Miyagi increased by more than 40%. CONCLUSIONS: Our backup system successfully developed a network of hemodialysis facilities. We have accumulated data that are beneficial to prevent the fragmentation of patient information and would be helpful in transferring patients efficiently during unpredictable disasters.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».