Impacting Management of Chronic Kidney Disease Through Primary Care Practice Audits: A Quality Improvement Study
Notice bibliographique
Résumé
Background: Risk prediction tools are important in chronic disease management, but their implementation into clinical workflow is often limited by lack of electronic health record (EHR)-linked solutions. Objective: To implement the Khure Health (KH) clinical decision support platform with an artificial intelligence (AI)-enabled algorithm for chronic kidney disease (CKD) risk detection in 201 primary care provider practices across Ontario. Design: Multi-practice quality improvement study. Setting: The study was conducted in Ontario, Canada. Participants: 201 primary care practices. Measurements: Per-practice CKD risk stratification and clinician action. Methods: Data for estimated glomerular filtration rate (eGFR), albuminuria, demographics, and comorbid conditions were extracted from the EHR using KH's natural language processing (NLP) algorithms. Patients already on dialysis, visiting a nephrologist, older than 85, or already on a sodium-glucose cotransporter 2 inhibitor (SGLT2i) were excluded. The remaining individuals were risk stratified using the kidney failure risk equation, presence or absence of cardiovascular disease (CVD), or other comorbid conditions. A dashboard with disease-specific educational information and links to the EHRs of the identified patients was created. Results: We screened 361 299 individuals and identified 8194 patients with CKD Stage 3 at risk for progression or cardiovascular events. A total of 620 individuals were at high risk for CKD progression or CVD, and 2592 were at intermediate risk. A total of 2010 individuals (10 patients per practice) at high or moderate risk were selected for a chart audit, and appropriate additional testing (repeat eGFR or albuminuria) or prescription of disease-modifying therapy occurred in 24.32% of these patients. Limitations: Data on comorbidities, medications, or demographic variables are not available for presentation or statistical analysis due to privacy legislation and primary care provider (PCP) custodianship over EHR data. Conclusion: An AI-enabled EHR clinical decision support application that can detect and risk stratify patients with CKD can enable improved laboratory testing and management. Larger trials of clinical decision support and practice audit applications will be needed to impact CKD management nationally.
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 | 0,038 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 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 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 ».