Unlocking EMR Data to Track Physical Function Across the Continuum of Care
Notice bibliographique
Résumé
ABSTRACT Introduction Physical function (PF) is a critical contributor to quality of life and healthcare value, especially for older adults at risk for functional decline following hospitalization. Tracking PF is essential for monitoring recovery, preventing adverse events, and improving care transitions. Despite the potential of electronic health records (EHRs) to enable tracking of PF, it is rarely tracked systematically. We present a case study on the extraction of PF data from EHRs for patients transitioning from hospital to homecare in a large health system, highlighting challenges and offering recommendations. Methods An expert consensus group identified data elements important to the measurement of PF. We then assessed the feasibility of extracting those elements from a single healthcare system. Working with Johns Hopkins Health System (JHHS) informatics and homecare leaders, we determined which elements were captured in the EHR and which were not feasible to extract within our resource constraints. We then requested a refined data list for adult patients during the project period. After validation, data were securely transferred to University of Utah Health (UUH). Results Data from 21,702 patients were included. Of 27 desired elements, 17 were successfully extracted. Elements were marked ‘present’ if documented at least once during admission, or ‘missing’ if absent. Administrative data had low missingness, while missingness for assessments of cognition and mobility performance in hospital were over 65% and assessments of PF capacity in home health were missing in over 80% of patients. However, 81.7% of those receiving home health rehabilitation had the expected mobility measure. Overall, 73% of patients had at least 75% of the extracted data elements. Conclusions To track PF effectively, begin with clear definitions, a targeted cohort, and relevant data elements. Collaboration with EHR, clinical, and billing experts is essential, as is upfront assessment of data availability and alignment with project resources.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,001 | 0,002 |
| 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 ».