Lessons Learned From Provider Minder: A Provider Tracking Application for Improving Stroke Risk Screening in Sickle Cell Anemia
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
BACKGROUND AND OBJECTIVES: We developed a novel web-based application, Provider Minder, for providers to track and monitor stroke risk screening in children with sickle cell anemia. Here, we describe the development of the application, the process evaluation during implementation, and our lessons learned. METHODS: An iterative development process was used to develop the Provider Minder application and its functionalities. For our process evaluation, our team conducted surveys and interviews with study teams across 13 sites that used Provider Minder as part of a multi-intervention trial for the Dissemination and Implementation of Stroke Prevention Looking at the Care Environment study. Surveys and interviews were conducted with providers and coordinators at midpoint (1 year) and end point (2 years). Results were integrated and organized according to themes. RESULTS: The process evaluation indicated factors critical for implementation success, such as coordination across stakeholders. Successes of the intervention included high adaptability for unique site needs, ease of use, low costs of implementation, and perceived effectiveness at capturing missed screenings. Key challenges were the time burden for use, redundancy of data capture, and lack of integration, as Provider Minder was distinct from the electronic medical record. CONCLUSIONS: While providers and coordinators described multiple barriers to implementing Provider Minder, results indicated that perceived successes outweighed barriers. Future efforts to reduce the burden associated with health care complexity and improvement in interoperability of electronic medical records will be important for improving the success of similar tracking applications for complex conditions.
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 | 0,008 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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