From Data Silos to Health Records Without Borders: A Systematic Survey on Patient-Centered Data Interoperability
Notice bibliographique
Résumé
The widespread use of electronic health records (EHRs) and healthcare information systems (HISs) has led to isolated data silos across healthcare providers, and current interoperability standards like FHIR cannot address some scenarios. For instance, it cannot retrieve patients’ health records if they are stored by multiple healthcare providers with diverse interoperability standards or the same standard but different implementation guides. FHIR and similar standards prioritize institutional interoperability rather than patient-centered interoperability. We explored the challenges in transforming fragmented data silos into patient-centered data interoperability. This research comprehensively reviewed 56 notable studies to analyze the challenges and approaches in patient-centered interoperability through qualitative and quantitative analyses. We classified the challenges into four domains and categorized common features of the propositions to patient-centered interoperability into six categories: EMR integration, EHR usage, FHIR adaptation, blockchain application, semantic interoperability, and personal data retrieval. Our results indicated that “using blockchain” (48%) and “personal data retrieval” (41%) emerged as the most cited features. The Jaccard similarity analysis revealed a strong synergy between blockchain and personal data retrieval (0.47) and recommends their integration as a robust approach to achieving patient-centered interoperability. Conversely, gaps exist between semantic interoperability and personal data retrieval (0.06) and between FHIR adaptation and personal data retrieval (0.08), depicting research opportunities to develop unique contributions for both combinations. Our data-driven insights provide a roadmap for future research and innovation.
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 | 0,007 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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 ».