Data-Driven Decision Support Tool Co-Development with a Primary Health Care Practice Based Learning Network
Notice bibliographique
Résumé
Background: The Alliance for Healthier Communities is a learning health system that supports Community Health Centres (CHCs) across Ontario, Canada to provide team-based primary health care to people who otherwise experience barriers to care. This case study describes the ongoing process and lessons learned from the first Alliance for Healthier Communities' Practice Based Learning Network (PBLN) data-driven decision support tool co-development project. Methods: We employ an iterative approach to problem identification and methods development for the decision support tool, moving between discussion sessions and case studies with CHC electronic health record (EHR) data. We summarize our work to date in terms of six stages: population-level descriptive-exploratory study, PBLN team engagement, decision support tool problem selection, sandbox case study 1: individual-level risk predictions, sandbox case study 2: population-level planning predictions, project recap and next steps decision. Results: The population-level study provided an initial point of engagement to consider how clients are (not) represented in EHR data and to inform problem selection and methodological decisions thereafter. We identified three initial meaningful types of decision support, with target application areas: risk prediction/screening, triaging specialized program referrals, and identifying care access needs. Based on feasibility and expected impact, we started with the goal to support earlier identification of mental health decline after diabetes diagnosis. As discussions deepened around clinical use cases associated with example prediction task set ups, the target problem evolved towards supporting the upstream task of organizational planning and advocacy for adequate mental health care service capacity to meet incoming needs. Conclusions: This case study contributes towards a tool to support diabetes and mental health care, as well as lays groundwork for future CHC EHR-based decision support tool initiatives. We share lessons learned and reflections from our process that other primary health care organizations may use to inform their own co-development initiatives while we continue to work on advancing the population-level capacity planning model.
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 | 0,024 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,003 | 0,009 |
| Intégrité de la recherche | 0,001 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,005 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».