Real world challenges in integrating electronic medical record and administrative health data for regional quality improvement in diabetes: a retrospective cross-sectional analysis
Notice bibliographique
Résumé
BACKGROUND: Linked electronic medical records and administrative data have the potential to support a learning health system and data-driven quality improvement. However, data completeness and accuracy must first be assessed before their application. We evaluated the processes, feasibility, and limitations of linking electronic medical records and administrative data for the purpose of quality improvement within five specialist diabetes clinics in Edmonton, Alberta, a province known for its robust health data infrastructure. METHODS: We conducted a retrospective cross-sectional analysis using electronic medical record and administrative data for individuals ≥ 18 years attending the clinics between March 2017 and December 2018. Descriptive statistics were produced for demographics, service use, diabetes type, and standard diabetes benchmarks. The systematic and iterative process of obtaining results is described. RESULTS: The process of integrating electronic medical record with administrative data for quality improvement was found to be non-linear and iterative and involved four phases: project planning, information generating, limitations analysis, and action. After limitations analysis, questions were grouped into those that were answerable with confidence, answerable with limitations, and not answerable with available data. Factors contributing to data limitations included inaccurate data entry, coding, collation, migration and synthesis, changes in laboratory reporting, and information not captured in existing databases. CONCLUSION: Electronic medical records and administrative databases can be powerful tools to establish clinical practice patterns, inform data-driven quality improvement at a regional level, and support a learning health system. However, there are substantial data limitations that must be addressed before these sources can be reliably leveraged.
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 | 0,120 | 0,143 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| 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 ».