A Two-Phase Framework Leveraging User Feedback and Systemic Validation to Improve Post-Live Clinical Decision Support
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
Despite the benefits of clinical decision support (CDS), concerns of potential risks arise amidst increasing reports of CDS malfunctions. Without objective and standardized methods to evaluate CDS in the post-live stage, CDS performance in a dynamic healthcare environment remains a black box from the user's perspective. In this study, we proposed a comprehensive framework to identify and evaluate post-live CDS malfunctions from the perspective of healthcare settings.We developed a two-phase framework to identify and evaluate post-live CDS system malfunctions: (1) real-time feedback from users in healthcare settings; (2) systematic validation through the use of databases that involve fundamental data flow validation and knowledge and rules validation. Identity, completeness, plausibility, and consistency across locations and time patterns were included as measures for systematic validation. We applied this framework to a commercial CDS system in 14 acute care facilities in Canada in a 2-year period.During this study, seven types of malfunctions were identified. The general rate of malfunctions was below 2%. In addition, an increase in CDS malfunctions was found during the electronic health record upgrade and implementation periods.This framework can be used to comprehensively evaluate CDS performance for healthcare settings. It provides objective insights into the extent of CDS issues, with the ability to capture low-prevalence malfunctions. Applying this framework to CDS evaluation can help improve CDS performance from the perspective of healthcare settings.
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 | 0,012 | 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 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,003 |
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