Using EMR data to describe administrative workload of primary care providers in Nova Scotia, Canada
Notice bibliographique
Résumé
Context: Primary care providers in Canada face significant workload challenges, including managing prescriptions, referrals, and laboratory tests alongside patient visits. This study aims to analyze electronic medical record (EMR) data to understand these workload dynamics. Objective: Describe trends in prescriptions, referrals, and laboratory tests per encounters using electronic medical record (EMR) data in Nova Scotia, Canada Study design and analysis: Retrospective cohort design Setting: We used de-identified Canadian primary care EMR data available from the Maritime Family Practice Research Network (MaRNet-FP) Population studied: Clinicians with at least 500 patient encounters per year in Nova Scotia. Intervention/Instrument: We analyzed EMR data to report means and associated standard deviations and described trends over time. Outcome measures: Average number of prescriptions, referrals, and laboratory tests per encounters among primary care providers in Nova Scotia from 2007 to 2022. Results: Clinicians with 500 or more patient contacts had an average of 2.7 (0.9SD) encounters per patient since 2007. On average, each encounter resulted in 1.7 (0.7) prescriptions, 1.1 (0.5) referrals, and 6.6 (2.8) laboratory tests. Trends in prescriptions, referrals, and laboratory tests per encounter seem consistent over time, though fell in the context of the COVID-19 pandemic. However, since 2020, encounters per patient increased, perhaps compensating for care delayed during the pandemic. Conclusions: Taken together, the number of prescriptions, referrals, and laboratory tests per encounter point to a substantial volume of administrative work over and above time with patients. In addition, this province-specific investigation supports the use of EMR data to describe trends in administrative workload and informs the need for further analysis within national EMR data available through the Canadian Primary Care Sentinel Surveillance Network (CPCSSN) to understand pan-Canadian trends.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».