Evaluación de la eficacia de las alertas de detección de lípidos pediátricos

Los pacientes elegibles para este estudio serán asignados aleatoriamente a uno de cuatro grupos a través de un algoritmo de aleatorización de registro médico electrónico (EMR) de Epic que se ejecutará automáticamente en el momento de la visita:

1. Grupo de control (retraso de 6 meses antes de que sus proveedores reciban una alerta)
2. Tema de mantenimiento de la salud (HMT)
3. Alerta de mejores prácticas (BPA)
4. Alerta de mejores prácticas y tema de mantenimiento de la salud (BPA+HMT)

Geisinger Health System presentará el panel Storyboard de Epic (una forma novedosa de resumir la información del paciente en el EMR) aproximadamente un mes después de este estudio. Por lo tanto, el plan de análisis probará el impacto potencial de este cambio.

Se les pedirá a los proveedores que discutan y ordenen un estudio de detección de lípidos que no esté en ayunas en el momento de la visita con el paciente, según las alertas anteriores. Algunas familias tendrán una alerta en su portal MyGeisinger que indica que se debe realizar una prueba de mantenimiento de la salud y que lo discutirán con su proveedor.

Los resultados se revisarán y clasificarán de la siguiente manera,

Los resultados incluirán pedidos de detección de lípidos por parte de los proveedores (sí/no) y finalización de la detección por parte de los pacientes (sí/no). También se proporcionarán los siguientes resultados descriptivos:

1. Se ordenó examen de lípidos
2. Prueba de detección de lípidos ordenada y completada
3. Cribado de lípidos ordenado pero no completado
4. El examen de lípidos disminuyó con razón
5. Alerta que no se actuó en absoluto

El análisis tendrá en cuenta la anidación de pacientes dentro de los proveedores; esto incluirá al proveedor como una variable de efectos aleatorios en una serie de modelos de regresión logística binomial multinivel, para tener en cuenta la posible correlación con los pacientes. Si el coeficiente de correlación intraclase es bajo, solo se realizarán los modelos de regresión logística a nivel de paciente. En el primer modelo, el control pasivo servirá como grupo de referencia para probar si cada una de las condiciones de alerta activa tiene un impacto significativo en los resultados. En el segundo modelo, la condición de solo BPA servirá como grupo de referencia para probar si HMT y BPA+HMT ofrecen mejoras significativas en el rendimiento. Finalmente, el tercer modelo utilizará la condición de solo HMT como referencia, para probar si BPA+HMT tiene un impacto significativamente mayor en los resultados. Las interacciones de Storyboard X Condition se probarán dentro de los modelos, y si alguna es significativa, la serie de modelos se llevará a cabo por separado en pacientes antes y después de la implementación de Storyboard en Epic, para probar si los resultados se replican en los diferentes contextos y cómo. .