Childhood obesity diagnosis and management remains a challenge despite the use of electronic health records: A retrospective study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: The use of electronic health records (EHR) has revolutionized medical practice by improving the quality of care. Childhood obesity (CO) increases the risk of developing other chronic diseases and has a serious psychosocial impact on children. Using EHR may improve this clinical condition since early diagnosis is a crucial means of preventing its negative impacts. Objectives: The aim of the study was to assess the diagnosis and management of CO in a Canadian academic family medicine group unit (FMG-U) that uses EHR with an integrated CO diagnosis tool. Methods: = 618) were analyzed. EHR use by clinicians was assessed by a closed-ended online survey sent to clinicians who provided pediatric care at that clinic in 2017. Results: We identified 69 patients as obese according to the WHO, of whom 40 had been diagnosed by health professionals at the clinic. Of these, 33 received nutritional counseling; 33 received physical activity counseling; 13 received parent involvement counseling; 19 were referred to another health professional; and 12 were followed up within 6 months. Ten out of 15 clinicians responded to the survey. They all used the EHR integrated CO diagnosis tool but only 20% were truly familiar with it. Conclusions: This study shows that CO is still underdiagnosed in primary care, notwithstanding the use of EHR with integrated tools. This affects the quality of care. Moreover, even if CO were correctly diagnosed, its management remains incomplete. Knowledge translation by medical organizations plays an important role in addressing this problem.
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.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 découle