Integrating Clinical Decision Support into EMR and PHR: a Case Study Using Anticoagulation
Notice bibliographique
Résumé
Clinical decision support (CDS) for atrial fibrillation is expected to ease the implementation of often-complex guidelines for atrial fibrillation and anticoagulation. Most clinical decision support systems (CDSS) for anticoagulation are stand-alone systems that do not integrate with electronic medical records (EMR). We have developed an architecture that consists of a computerized CDS that can integrate with multiple EMRs and multiple patient health records (PHRs). The design process revealed some significant issues that were resolved through systematic business/clinical analysis and creative clinical design in the diagnostic and treatment domains. Key issues identified and resolved include: 1) how to correctly allocate existing patients into various CDSS states (e.g., MAINTENANCE, HOLD, DISCONTINUE, etc), 2) identify when a patient becomes eligible for CDSS guidance over time, 3) how the CDSS maintains information about the patient's anticoagulation state and 4) how to transform vague human-readable concepts to explicit computable concepts. The management of anticoagulation for atrial fibrillation is no easy task and we believe our architecture will improve patient care at all levels and ultimately better balance the reduction of stroke risk while minimizing harms from major bleeding. In addition, the architecture presented is scalable to other treatment guidelines and is scalable to multiple EMRs and PHRs, making it suitable for use in a platform approach.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,005 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».