Primary care asthma surveillance: a review of knowledge translation tools and strategies for quality improvement
Notice bibliographique
Résumé
BACKGROUND: Viable knowledge translation (KT) strategies are increasingly sought to improve asthma diagnosis, particularly in primary care. Despite this understanding, practical KT tools to support primary care practitioners are not widely available. Electronic medical records (EMRs) offer an opportunity to optimize the diagnosis and surveillance of chronic diseases such as asthma, and support quality improvement initiatives that increase adherence to guideline-recommended care. This review aims to describe the current state of electronic KT electronic tools (eTools) and surveillance systems for asthma and identify opportunities to increase adherence to asthma diagnostic guidelines by implementing digital KT eTools. METHODS: Systematic literature searches were conducted on Ovid MEDLINE that included the search terms: asthma, asthma diagnosis, asthma surveillance, electronic health records, translational medical research, quality improvement, professional practice gaps, and primary health care published in the previous 10 years. In total, the searches returned 971 articles, 163 of which were considered relevant and read in full. An additional 28 articles were considered after reviewing the references from selected articles. 75 articles were included in this narrative review. RESULTS: Established KT eTools for asthma such as electronic questionnaires, computerized clinical decision support systems (CDSS), chronic disease surveillance networks, and asthma registries have been effective in improving the quality of asthma diagnosis and care. As well, chronic disease surveillance systems, severe asthma registries, and workplace asthma surveillance systems have demonstrated success in monitoring asthma outcomes. However, lack of use and/or documentation of objective measures of lung function, challenges in identifying asthma cases in EMRs, and limitations of data sources have created barriers in the development of KT eTools. Existing digital KT eTools that overcome these data quality limitations could provide an opportunity to improve adherence to best-practice guidelines for asthma diagnosis and management. CONCLUSION: Future initiatives in the development of KT eTools for asthma care should focus on strategies that assist healthcare providers in accurately diagnosing and documenting cases of asthma. A digital asthma surveillance system could support adherence to best-practice guidelines of asthma diagnosis and surveillance by prompting use of objective methods of confirmation to confirm an asthma diagnosis within the EMR.
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 | 0,035 | 0,089 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,020 | 0,023 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».