Use of a severe asthma algorithm in an asthma education center electronic medical record (EMR)
Notice bibliographique
Résumé
<b>Aims:</b> Integrating knowledge translation tools into electronic medical records (EMRs) may improve evidence-based practice and outcomes. We describe the impact of implementing a severe asthma (SA) EMR algorithm on patient care in an asthma education center. <b>Methods:</b> A SA algorithm, based on Canadian Thoracic Society criteria for SA, was programmed into the Airways Management and Outcomes Monitoring System (AMOMS), a data capture system incorporated into the patient care system at a tertiary care centre in Kingston, ON, Canada. The impact of the SA algorithm was assessed using a 16-month observational pre-post implememtation study design. Patients were categorized as having a confirmed or suspected asthma diagnosis. Confirmed asthma was subdivided into severe and non-severe. <b>Results:</b> 675 patient assessments from 388 patients were categorized as having confirmed (n=221) and suspected asthma (n=167). The algorithm identified 42 confirmed asthma assessments as SA; of those, 37 met criteria for uncontrolled SA. Action plan review and revision, device technique optimal, triggers addressed and spirometry increased post implementation of the SA algorithm (Table1). <b>Conclusions:</b> The SA algorithm supported asthma educators9 adherence to best practice guidelines, including the recognition and management of uncontrolled severe asthma. Next steps are to evaluate the impact of implementation of the SA algorithm on primary care EMRs.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».