Evaluation of the Electronic Health Record as a Tool for Maternal and Congenital Syphilis Surveillance
Notice bibliographique
Résumé
BACKGROUND: Early entry into prenatal care and timely syphilis diagnosis and treatment of pregnant women can prevent congenital syphilis (CS). We assessed syphilis testing and treatment for pregnant women and their infants using electronic health records (EHRs). METHODS: We extracted syphilis testing results from pregnancy episodes documented in EHRs for women seeking care at the Medical University of South Carolina health system during 2021-2022. Chart reviews confirmed syphilis diagnosis, stage, and treatment. We calculated percentages of pregnant women who were (1) screened for syphilis, (2) received abnormal (i.e., reactive) test results, (3) newly diagnosed with syphilis, and (4) adequately treated for syphilis before delivery. We assessed testing and treatment outcomes of infants exposed to maternal syphilis. RESULTS: Among 12,959 pregnant women, 75% (n = 9708) had ≥1 syphilis test during pregnancy; 106 (1.1%) had ≥1 abnormal test. From chart reviews, 54 women (51%) with abnormal test results were newly diagnosed with syphilis. The remaining abnormal test results were false positives (n = 15) or previous diagnoses (n = 37). Forty-four (81%) new diagnoses were treated during pregnancy; 30 (56%) were treated >30 days before delivery. Fifty-six infants born to women with an abnormal syphilis test result were evaluated for CS, of whom 24 (43%) had abnormal test results and 18 (75%) were treated for CS. CONCLUSIONS: Although EHRs could reliably assess syphilis testing during pregnancy, chart review and consultation with public health authorities were necessary to confirm adequate treatment and CS follow-up. Triangulating EHRs with other data sources could enhance the understanding of syphilis during pregnancy and inform CS prevention efforts.
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.
Comment cette classification a été obtenuedéplier
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 | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».