MétaCan
Menu
Retour à la cohorte
Enregistrement W4391145446 · doi:10.1186/s12913-024-10568-1

Exploring key components and factors that influence the use of clinical decision- support tools for prescribing to older patients with kidney disease: the perspective of healthcare providers

2024· article· en· W4391145446 sur OpenAlexafffundabout
Noor Alsalemi, Cheryl A Sadowski, Kelley Kilpatrick, Naoual Elftouh, SKD Houle, JP Lafrance

Notice bibliographique

RevueBMC Health Services Research · 2024
Typearticle
Langueen
DomaineHealth Professions
ThématiqueElectronic Health Records Systems
Établissements canadiensCentre Intégré Universitaire de Santé et de Services Sociaux du Centre-Sud-de-l'Île-de-MontréalUniversity of WaterlooMcGill UniversityUniversity of AlbertaUniversité de MontréalHôpital Maisonneuve-Rosemont
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésMedicineHealth informaticsHealth administrationNursing researchFamily medicineHealth careDiseaseCross-sectional studyNursingPublic healthInternal medicinePathology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Clinical decision-support (CDS) tools are systems that provide healthcare providers (HCPs) with recommendations based on knowledge and patient-specific factors to facilitate informed decisions. OBJECTIVES: To identify the key components of a CDS tool that are most important to HCPs in caring for older adults with kidney disease, and to understand the facilitators and barriers toward using CDS tools in daily clinical practice. METHODS: Design: A cross-sectional survey of Canadian HCPs was undertaken. DATA COLLECTION: Participants affiliated with a provincial college, nephrology organization, or advocacy body were contacted. The survey was conducted between August and October 2021. INSTRUMENT: A 59-item questionnaire was developed and divided into five main domains/themes. Analysis was done descriptively. RESULTS: Sixty-three participants completed the questionnaire. Physicians (60%) and pharmacists (22%) comprised the majority of the participants. Most of the participants were specialized in nephrology (65%). The most important components in a CDS tool for prescribing to older patients with kidney disease were the safety and efficacy of the medication (89%), the goal of therapy (89%), and patient's quality of life (87%). 90% were willing to use CDS tools and 57% were already using some CDS tools for prescribing. The majority of the participants selected the validation of CDS tools (95%), accompanying the recommendations by the supporting evidence (84%), and the affiliation of the tools with known organizations (84%), as factors that facilitate the use of CDS tools. CONCLUSION: CDS tools are being used and are accepted by HCPs and have value in their assistance in engaging patients in making well-informed decisions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,009
score de la tête « metaresearch » (Gemma)0,047
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,031
Score d'incertitude au seuil0,062

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,047
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0030,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,484
Tête enseignante GPT0,547
Écart entre enseignants0,063 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2024
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueBMC Health Services ResearchMême sujetElectronic Health Records SystemsTravaux en français237 207