Data Quality in Primary Care Electronic Medical Records in Manitoba
Notice bibliographique
Résumé
Background: Evaluation of primary care EMR data quality is crucial since data must be of high quality in order to maximize patient care and use databases for secondary purposes including improved chronic disease management. Completeness evaluates data for gaps that may limit it's ability to represent what it should. This study aims to evaluate the baseline problem list completeness for Manitoba primary care EMRs. Methods: We conducted a retrospective analysis of the QHR Accuro® EMR database within 9 salaried Winnipeg Regional Health Authority (WRHA} and 3 fee for service primary care clinics in Manitoba. Queries were designed in the Accuro® EMR query builder. Aggregates were used to calculate sensitivity as a measure of completeness. The seven chronic diseases evaluated include, hypertension, diabetes, hypothyroidism, asthma. COPD. CHF, and CAD. Only searchable, structured data with ICD-9 coding was assessed. The 12 clinic types were divided into four categories; teaching, access centres, community, and fee for service and mean completeness was calculated for each. One way AN OVA and post hoc contrast analyses were conducted to identify differences between salaried and fee for service clinics. Results: Fee for service clinics exhibited significantly lower problem list completeness rates than salaried clinics for hypothyroidism, asthma, COPD, and CAD. Sensitivities calculated for each disease were significantly worse than those reported from previous UK research. Conclusion: This study demonstrates the need for better understanding of data quality in Canada and improvements so that primary care data can be reliably used for secondary purposes.
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 | 0,020 | 0,079 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,005 | 0,017 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».