Methods to Enhance Causal Inference for Assessing Impact of Clinical Informatics Platform Implementation
Notice bibliographique
Résumé
Background: Hospitals are increasingly likely to implement clinical informatics tools to improve quality of care, necessitating rigorous approaches to evaluate effectiveness. We leveraged a multi-institutional data repository and applied causal inference methods to assess implementation of a commercial data visualization software in our pediatric cardiac intensive care unit. Methods: Natural experiment in the University of Michigan (UM) Cardiac Intensive Care Unit pre and postimplementation of data visualization software analyzed within the Pediatric Cardiac Critical Care Consortium clinical registry; we identified N=21 control hospitals that contributed contemporaneous registry data during the study period. We used the platform during multiple daily rounds to visualize clinical data trends. We evaluated outcomes—case-mix adjusted postoperative mortality, cardiac arrest and unplanned readmission rates, and postoperative length of stay—most likely impacted by this change. There were no quality improvement initiatives focused specifically on these outcomes nor any organizational changes at UM in either era. We performed a difference-in-differences analysis to compare changes in UM outcomes to those at control hospitals across the pre versus postimplementation eras. Results: We compared 1436 pre versus 779 postimplementation admissions at UM to 19 854 (pre) versus 14 160 (post) at controls. Admission characteristics were similar between eras. Postimplementation at UM we observed relative reductions in cardiac arrests among medical admissions, unplanned readmissions, and postoperative length of stay by −14%, −41%, and −18%, respectively. The difference-in-differences estimate for each outcome was statistically significant ( P <0.05), suggesting the difference in outcomes at UM pre versus postimplementation is statistically significantly different from control hospitals during the same time. Conclusions: Clinical registries provide opportunities to thoroughly evaluate implementation of new informatics tools at single institutions. Borrowing strength from multi-institutional data and drawing ideas from causal inference, our analysis solidified greater belief in the effectiveness of this software across our institution.
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 | 0,025 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| 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) | 0,000 | 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 ».