Considerations for Creating a Restricted Data Environment with Complete Primary Care Electronic Medical Record Data
Notice bibliographique
Résumé
Background: Historically, primary care databases have been limited to subsets of the full electronic medical record (EMR) data to maintain privacy. With the progression of artificial intelligence (AI) techniques (i.e., machine learning, natural language processing, and deep learning), practice-based research networks (PBRNs) have an opportunity to utilize previously difficult to access data to conduct essential primary care research and quality improvement. However, to ensure patient privacy and data security, novel infrastructure and processes are required. We describe the considerations related to accessing complete EMR data on a large-scale within a Canadian PBRN. Setting: Queen's Family Medicine Restricted Data EnviroNment (QFAMR), Department of Family Medicine (DFM), Queen's University, Canada Methods: QFAMR is a central holding repository hosted at the Centre for Advanced Computing at Queen's University. Complete, de-identified EMR records (e.g., full chart notes, PDFs, and free text) from approximately 18,000 patients from Queen's DFM can be accessed. An iterative process over 2021-2022 was used to develop QFAMR infrastructure in collaboration with Queen's DFM members and stakeholders. Results: In May 2021, the QFAMR standing research committee was established for review and approval of all potential projects. DFM members consulted with Queen's University computing, privacy, legal, and ethics experts to develop data access processes, policies and governance, agreements, and associated documents. Initial QFAMR projects involved applying and improving de-identification processes for DFM-specific full-chart notes. Five major elements were recurrent throughout the QFAMR development process: data and technology, privacy, legal documentation, decision-making frameworks, and ethics and consent. Conclusion: Overall, the development of the QFAMR has provided a secure platform to successfully access data-rich primary care EMR records without data ever leaving Queen's University. Although accessing complete primary care EMR records has certain technological, privacy, legal, and ethical considerations and challenges, QFAMR is a significant opportunity to conduct novel and innovative primary care research.
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 | 0,235 | 0,354 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,007 |
| Études des sciences et des technologies | 0,011 | 0,010 |
| Communication savante | 0,026 | 0,037 |
| Science ouverte | 0,013 | 0,031 |
| Intégrité de la recherche | 0,007 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,009 |
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 ».