TESTING ERADAR: A NEW EHR-BASED ALGORITHM TO INCREASE DEMENTIA RECOGNITION IN HEALTH CARE SYSTEMS
Notice bibliographique
Résumé
Abstract Electronic health records (EHRs) hold potential for identifying individuals with undiagnosed dementia. Using machine learning, our team developed and externally validated a predictive algorithm called the EHR Risk of Alzheimers and Dementia Assessment Rule (eRADAR) that estimates the likelihood an individual has undiagnosed dementia with high accuracy (C statistics of 0.79 to 0.84). Through two embedded pragmatic trials, we are implementing eRADAR in 11 primary care clinics within Kaiser Permanente Washington and University of California, San Francisco. The target population is older adults age 65+ without a documented dementia diagnosis or medication. Primary care providers (PCPs) are randomized to intervention or usual care. The eRADAR algorithm is used to identify individuals with eRADAR scores in the top 15-20%, who are invited to a “brain health” visit that includes assessment of instrumental activities of daily living, depressive symptoms, and cognitive function (Montreal Cognitive Assessment). Results are shared with the patient and PCP, and the PCP is responsible for making the final diagnosis (with decision support provided through the EHR). To date, we have implemented the intervention in 9 clinics and conducted over 590 brain health visits. About 31% (658/2137) of high-risk individuals accept a brain health visit. Of these, about 18% have results suggesting dementia and another 30% mild cognitive impairment. Post-visit surveys show high acceptance of and satisfaction with the intervention. The primary study outcome is rate of dementia diagnosis over 12-month follow-up (completed by April 2025). We are also conducting semi-structured interviews to illuminate benefits and harms.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».