Data migration, validation and implementation of a new laboratory information system (LIS) in an academic pathology department, using Ellkay data archive, and Epic Beaker anatomic and clinical pathology modules
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Implementation of a new laboratory information system (LIS) poses a significant challenge, amplified when synchronous with launch of a new electronic medical record (EMR) system. Our institution made an executive decision to switch to Epic EMR and Epic Beaker LIS from Cerner Soarian/Altera Sunrise EMR and Cemer CoPath Plus LIS in anatomic pathology and molecular genetic pathology, with a simultaneous go-live date. This synchronous migration required a complete overhaul in our department of laboratory medicine, impacting all standard operating procedures (SOPs). In our efforts to minimize potential risks, we pursued a phased approach to comprehensive validation, starting with iterative rounds of optimization, ending with the final round of validation assessing 45 consecutive pathology cases, simulating the entire workflow in a dry-lab setting, from ordering to reporting, including addenda, with additional cases tested for specific workflow steps. In addition, we pursued validation of result component migration, in form of legacy pathology results to the Epic EMR, and the Ellkay archiving system. We found that our SOP adaptations for Epic Beaker reproduced >99% of the workflows previously established using CoPath Plus. The validation performed was limited to Epic Beaker LIS functionality, and, post-go-live, deficiencies were uncovered largely upstream of the LIS. Based on our experience, we formed a framework for systematic validation of LIS workflows, and share our comprehensive handbook, detailing all workflows built before go-live.
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.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,006 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle