Automated Monitoring of Clinical Practice Guideline Adherence Using FHIR and OMOP: A Multi-Center Study in Intensive Care Units
Notice bibliographique
Résumé
Abstract Background Clinical practice guidelines are important tools for clinical decision support, but monitoring guideline adherence manually is highly resource-intensive. Therefore, we developed an automated system for evaluating guideline adherence based on computer-interpretable representations of guidelines. We implemented the system across multiple university hospitals and assessed its validity and performance by comparing its guideline adherence evaluations to those conducted by medical professionals. Methods We selected six representative clinical guideline recommendations from across 41 intensive care guidelines and translated these text-based recommendations into a computer-interpretable, Fast Healthcare Interoperability Resources (FHIR)-based format using an iterative consensus approach. Clinical data from five university hospitals were transformed into the Observational Medical Outcomes Partnership (OMOP) common data model. A decision support system was developed to interpret FHIR-encoded recommendations and apply them to OMOP-formatted patient data. We evaluated the system retrospectively on intensive care data covering 3.5 years and validated its performance by comparing system-generated decisions with human decisions in three hospitals. We created and iteratively refined a user interface for individual and ward-level adherence visualization. Findings We expert-reviewed more than 18,000 patient days to assess the applicability of and adherence to the recommendations. The system demonstrated 97.0% accuracy in identifying guideline applicability and adherence, with significantly higher accuracy than human reviewers (accuracy 86.6%, p<0.001, McNemar’s Test). The automated system processed more than 2000 patient days per second for a total of 2,200,000 patient days across 82,000 intensive care episodes, compared to humans’ two patient days per minute. Interpretation We demonstrate that an automated adherence monitoring system outperforms human reviewers in both accuracy and time efficiency. Using FHIR-encoded recommendations enables flexibility and scalability across hospitals with different data infrastructures. Future work should focus on integrating unstructured patient data and expanding the range of encoded recommendations. Funding Federal Ministry of Education and Research of Germany.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».