Reduction of urea test ordering in the emergency department: multicomponent intervention including education, electronic ordering, and data feedback
Notice bibliographique
Résumé
INTRODUCTION: In the emergency department (ED), laboratory testing accounts for a significant portion of the medical assessment. Although excess laboratory test ordering has been proven to be prevalent, different types of interventions have been used to encourage a behavioural change in how physicians order tests. In one western Canadian hospital medicine program, a quality improvement project aimed to reduce the total monthly blood urea nitrogen (BUN) test ordered by physicians was found to be successful. The objective of this project was to evaluate a similar multicomponent intervention aimed at ED physician ordering, with the primary goal of reducing the number of monthly BUN tests ordered per ED visit. METHODS: A pre post intervention design was conducted over 12-months. The first intervention component was an educational presentation conducted by physician leaders. Second, a regularly used order panel within the ED electronic order system was modified, removing the BUN test. The third component involved audit and feedback; the total monthly BUN test ordered for the ED department post intervention start was shared with all ED physicians twice (at 5 and 12 months).An interrupted time series analysis was completed to evaluate the multicomponent intervention effect. RESULTS: The total monthly ordered BUN test declined from an average of 1905 pre-intervention to 448 post-intervention, and the total monthly BUN test to total ED visit ratio declined from 0.46 to 0.1. These results were a statistically significant reduction in physician BUN test ordering. CONCLUSIONS: Targeted education, order panel design and data feedback interventions can impact physician ordering behaviour in the emergent healthcare context, where diagnostic tests are often over used.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».