Capturing factors associated with frailty using routinely collected electronic medical record data in British Columbia, Canada, primary care settings
Notice bibliographique
Résumé
BACKGROUND: Electronic medical record (EMR) systems in primary care present an opportunity to address frailty, a significant health concern for older adults. Researchers in the UK used Read codes to develop a 36-factor electronic frailty index (eFI), which produces frailty scores for patients in primary care settings. AIM: We aimed to translate the 36-factor eFI to a Canadian context. METHODS: We used manual and automatic mapping to develop a coding set based on standardized terminologies used in Canada to reflect the 36 factors of the eFI. Manual mapping was completed independently by two coders, followed by group consensus among the research team. Automatic mapping was completed using Apelon TermWorks. We then used EMR data from the British Columbia Canadian Primary Care Sentinel Surveillance Network. We searched structured data fields related to diagnoses and reasons for patient visits to develop a list of free text terms associated with any of the 36 factors. RESULTS AND CONCLUSIONS: A total of 3768 terms were identified; 3021 were codes. A total of 747 free text terms were identified from 527,521 reviewed data entries. Of the 36 frailty factors, 24 were captured mostly by codes; 7 mostly by free text; and 4 approximately equally by codes and free text. Three key findings emerged from this study: (1) It is difficult to capture frailty using only standardized terminologies currently used in Canada and a combination of standardized codes and free text terms better captures the complexity of frailty; (2) EMRs in primary care can be better optimized; (3) Output from this study allows for the development of a frailty screening algorithm that could be implemented in primary care settings to improve individual and system level outcomes related to frailty.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».