Assessing Primary Care Blood Pressure Documentation for Hypertension Management During the COVID-19 Pandemic by Patient and Provider Groups
Notice bibliographique
Résumé
Background: Primary care electronic medical record (EMR) data can be used to identify, manage, and screen hypertension cases. However, this approach relies on completeness and accessibility of documented blood pressure (BP) values. With the large switch to virtual care due to the COVID-19 pandemic, we assessed BP documentation in primary care EMRs during the pandemic, across patient and physician groups. Methods: Hypertension-related visits were identified during the pre-pandemic (January 2017 to February 2020) and pandemic (March 2020 to December 2021) periods from a primary care EMR database in Ontario, Canada. Clustered logistic regression models were used to analyze the relationship of physician and patient characteristics with an outcome variable of documented BP. A chart review of 3200 hypertension visits without a BP recorded in structured data fields was conducted to determine if BP was recorded in progress notes. Results: Pre-pandemic, 75.7% of hypertension-related visits (113,966 of 150,511) had a BP recorded in structured documentation, but this significantly decreased to 36.4% (26,660 of 73,239) during the pandemic (odds ratio [OR] = 0.18, 95% confidence interval [CI]: 0.18-0.19). For virtual visits, 14.3% (6357 of 44,572) had a documented BP, vs 74.0% (20,056 of 27,089) for in-person visits. Chart review found that 55.9% of hypertension visits had no associated BP in structured documentation, but did have a BP recorded in the progress note. Male providers, compared to female providers, were less likely to record BPs pre-pandemic (OR = 0.45, 95% CI: 0.32-0.63) and during the pandemic, for both virtual visits (OR = 0.48, 95% CI: 0.32-0.71) and in-person visits (OR = 0.46, 95% CI: 0.33-0.64). Conclusions: BP documented in primary care EMRs declined during the pandemic, most likely due to high rates of virtual visits impacting hypertension detection and management.
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 | 0,004 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».