Assessing the Validity of Electronic Medical Records for Identifying High Antibiotic Prescribers in Primary Care
Notice bibliographique
Résumé
Objectives: Electronic medical record (EMR) prescription data may identify high antibiotic prescribers in primary care. However, practitioners doubt that population differences between providers and delayed antibiotic prescriptions are adequately accounted for in EMR-derived prescription rates. This study assessed the validity of using EMR prescription data to produce antibiotic prescription rates, accounting for these factors. Methods: The study was a secondary analysis of antimicrobial prescriptions collected from 4 primary care clinics from 2015 to 2017. For adults with selected respiratory and urinary infections, EMR diagnostic codes, prescription data, clinical diagnoses and demographics were abstracted. Overall and delayed prescription rates were produced for EMR diagnostic codes, clinical diagnoses, by clinic, and types of infection. Direct standardization was used to adjust for case mix differences by clinic. High antibiotic prescribers, above the 75th percentile for prescriptions, were compared with low antibiotic prescribers. Results: Of 3108 EMR visits, there were 2577 (85.4%) eligible visits with a clinical diagnosis and prescription information. Overall antibiotic prescription rates were similar utilizing EMR records (31.6%) or clinical diagnoses (32.6%, P = .40). When delayed prescriptions were removed, prescribing rates were lower (22.4%, P < .01). EMR data overestimated prescribing rates for conditions where antibiotics are usually not indicated (17.7% EMR vs 7.6% clinical diagnoses, P < .001). High antibiotic prescribers saw more cases where antibiotics are usually indicated (23.4%) compared to low prescribers (16.8%; P = .001). Conclusions: Electronic medical record prescribing rates are similar to those using clinical diagnoses overall, but overestimate prescribing by clinicians for conditions usually not needing antibiotics. EMR prescription rates do not account for delayed antibiotic prescriptions or differences in infection case-mix.
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 | 0,093 | 0,365 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 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 ».