MétaCan
Menu
Retour à la cohorte
Enregistrement W4403270789 · doi:10.1016/j.cjco.2024.10.002

Implementation of a Sudden Cardiac Death Risk Prediction Tool in Clinical Practice Through Electronic Health Records (INSERT-HCM Study Design)

2024· article· en· W4403270789 sur OpenAlexafffundabout
Tanya Papaz, Emily Seto, Samantha J. Anthony, Sarah J. Pol, Robin Z. Hayeems, Melanie Barwick, Seema Mital

Notice bibliographique

RevueCJC Open · 2024
Typearticle
Langueen
DomaineComputer Science
ThématiqueMachine Learning in Healthcare
Établissements canadiensToronto General HospitalUniversity of TorontoSickKids FoundationUniversity Health NetworkInstitute for Clinical Evaluative SciencesTed Rogers Centre for Heart ResearchPublic Health OntarioHospital for Sick Children
Organismes subventionnairesCanadian Institutes of Health ResearchHeart and Stroke Foundation of Canada
Mots-clésHealth recordsSudden cardiac deathClinical PracticeMedicineInternal medicineCardiologyFamily medicineHealth carePolitical science

Résumé

récupéré en direct d'OpenAlex

Sudden cardiac death (SCD) is a leading cause of mortality in children with hypertrophic cardiomyopathy (HCM). The PRecIsion Medicine in CardiomYopathy consortium developed a validated tool (PRIMaCY) for SCD risk prediction to help with ICD shared decision-making, as recommended by Clinical Practice Guidelines. The ImplemeNting a Sudden cardiac dEath Risk assessment Tool in childhood HCM (INSERT-HCM) study aims to implement PRIMaCY into electronic health records (EHR) and assess implementation determinants and outcomes. INSERT-HCM is a prospective, multicentre, hybrid Type 3 mixed methods implementation study of an EHR-embedded risk calculator across Canadian pediatric hospitals. The Active Implementation Framework will inform a staged implementation process, with organization-based implementation teams facilitating the implementation technical installation and implementation process. PRIMaCY will be installed as a user-tested EHR-integrated tool and implemented in practice using an organization and provider-focused strategy at participating hospitals. Technical installation and implementation strategies will be optimized for each healthcare setting. The Implementation Outcomes Taxonomy will inform implementation outcomes. Back-end EHR data will assess tool adoption, penetration, and fidelity. The Consolidated Framework for Implementation Research will assess implementation determinants (facilitators and barriers), and sustainability in clinical practice will be explored. INSERT-HCM will inform best practices for implementing an evidence-based digital health solution within hospital EHRs and clinical workflows to improve guideline-directed care. Developing an effective implementation strategy will inform the future dissemination of EHR-integrated digital health tools to the broader scientific and clinical community.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,011
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,348
Score d'incertitude au seuil0,966

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0110,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,002
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,078
Tête enseignante GPT0,486
Écart entre enseignants0,408 · 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 tête enseignante, pas un consensus.

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

Citations0
Publié2024
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueCJC OpenMême sujetMachine Learning in HealthcareTravaux en français237 207