Accuracy of preferred language data in a multi-hospital electronic health record in Toronto, Canada
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
Accurate preferred language data is a prerequisite for providing high-quality care. We investigated the accuracy of preferred language data in the electronic health record (EHR) of a large community hospital network in Toronto, Canada. We conducted a point-prevalence audit of patients admitted to intensive care, internal medicine, and nephrology services at three hospitals. We asked each patient "What is your preferred language for health care communication?" and reported on agreement (with 95% confidence intervals [CI]) between interview-based and EHR-based preferred language. We used Bayesian multilevel logistic regression to analyze the association between patient factors and the accuracy of the EHR for patients who preferred a non-English language. Between June 17, 2024, and July 19, 2024, we interviewed 323 patients, of whom 124 (38%) preferred a non-English language. Median age was 77 years and 46% were female. EHR accuracy was 86% for all patients. The probability of the EHR correctly identifying a patient with non-English preferred language (sensitivity) was 69% (CI 60-77), specificity was 97% (CI 94-99), positive predictive value was 95% (CI 88-98), and negative predictive value was 83% (CI 79-87). There were 26 different non-English preferred languages, most commonly Cantonese (27%) and Tamil (14%). Accuracy was better for patients who were female or older, and varied by hospital and medical service. Mechanisms to improve accuracy for language preference data are needed to improve the validity of research studying preferred language, mitigate algorithmic bias, and overcome language-based inequities.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 découle