Development and evaluation of a patient-centric approach for accurate medication capture
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
Objective: To develop and evaluate a patient-centric medication module within a personal health record (PHR) app for capturing medication use, focusing on accuracy, usability, and concordance. Materials and Methods: The medication module offered 4 entry methods: picklist, National Drug Code (NDC), free-text, and portal import, with the first 2 leveraging RxNorm and openFDA APIs. Patients from an integrated delivery network (IDN) created medication lists and recorded daily use in the app's diary. Pharmacists evaluated medication accuracy by reviewing patient-uploaded medication images. Usability was measured using the System Usability Scale (SUS). Concordance was assessed by comparing Electronic Health Records (EHR) with diary entries. Results: Over a 14-day period, 85 patients entered 617 medications, with 533 logged in the diary representing current use. Picklist was the most used entry method. Overall medication entry accuracy was 92% (picklist 97%; NDC 87%; free-text 84%; and portal import 100%). The mean system usability score was 56.5 for the study app (patients) and 80.8 for the medication module (pharmacists). EHR concordance with diary entries was low (25% using the 14-day window; 53% using a 1-year window); most unmatched entries were over-the-counter (OTC) medications. Discussion: Accurate and complete medication records are essential for the safe and effective use of medications. This patient-centric medication module supported accurate capture of prescription and OTC medications. Gaps in EHR data highlight the need to improve medication record accuracy and reconciliation. Conclusion: Patient-generated health data can have a central role in creating the "Best Possible Medication History" envisioned by the World Health Organization.
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 | 0,004 | 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 | 0,000 | 0,000 |
| 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