Cardiovascular disease surveillance using electronic medical records: a scoping study
Notice bibliographique
Résumé
ObjectiveCardiovascular diseases (CVD) are the leading cause of mortality and morbidity worldwide. Traditionally, disease surveillance relies on data from surveys, registries, and administrative databases. As medical records undergo global digitization, electronic medical records (EMRs) are emerging as a crucial reservoir of real-world data. However, the extent EMRs are used in CVD surveillance is unknown. We are conducting a scoping review to assess the current state and effectiveness of EMR-based CVD surveillance worldwide. ApproachFollowing the guidelines of the Preferred Reporting Items for Systematic Reviews and Meta-analyses extension for Scoping Reviews, we searched MEDLINE and EMBASE bibliographic databases to capture studies on prevalence, incidence, and trend measurements of CVDs using EMRs. Assessed factors include CVD types, modelling methodologies, data linkages, advantages, disadvantages, challenges, and solutions. Due to the qualitative nature of the review, collected data will be narratively synthesized to present overall perspectives. ResultsOur search algorithm yielded 11,979 citations, of which 5,886 abstracts were selected for screening, in progress at the time of this submission. The interim results indicate that most eligible reports came from the USA (49%), followed by the UK (13%), China (6%), Spain (4%) and Canada (3%). The most common diseases were coronary artery diseases (29%), followed by hypertension (26%), stroke (21%), and heart failure (15%). ConclusionsSurveillance of CVD is crucial for prevention and health policy development. While EMRs can be a data source for surveillance, such potential has yet to be fully realized. ImplicationsThis study will inform existing research challenges and future opportunities of EMR-based CVD surveillance.
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 | 0,010 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».