Integrating asthma care guidelines into primary care electronic medical records: a review focused on Canadian knowledge translation tools
Notice bibliographique
Résumé
INTRODUCTION: Asthma is one of the most common chronic respiratory diseases globally. Despite national and international asthma care guidelines, gaps persist in primary care. Knowledge translation (KT) electronic tools (eTools) exist aiming to address these gaps, but their impact on practice patterns and patient outcomes is variable. We aimed to conduct a nonsystematic review of the literature for key asthma care gaps and identify limitations and future directions of KT eTools optimised for use in electronic medical records (EMRs). METHODS: The database OVID Medline was searched (1999-2024) using keywords such as asthma, KT, primary healthcare and EMRs. Primary research articles, systematic reviews and published international/national guidelines were included. Findings were interpreted within the knowledge-to-action framework. RESULTS: Key asthma care gaps in primary care include under-recognition of suboptimal control, underutilisation of pulmonary function tests, barriers to care delivery, provider attitudes/beliefs, limited access to asthma education and referral to asthma specialists. Various KT eTools have been validated, many with optimisation for use in EMRs. KT eTools within EMRs have been a recent focus, including asthma management systems, decision support algorithms, data standards initiatives and asthma case definition validation for EMRs. CONCLUSIONS: The knowledge-to-action cycle is a valuable framework for developing and implementing novel KT tools. Future research should integrate end-users into the process of KT tool development to improve the perceived utility of these tools. Additionally, the priorities of primary care physicians should be considered in future KT tool research to improve end-user uptake and overall asthma management practices.
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 | 0,016 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,018 |
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 ».