Evaluering av effekten av varsler om lipidscreening for barn

Pasienter som er kvalifisert for denne studien vil bli randomisert i en av fire grupper via en Epic Electronic Medical Record (EMR) randomiseringsalgoritme som kjøres automatisk på tidspunktet for besøket:

1. Kontrollgruppe (6 måneders forsinkelse før leverandørene deres vil motta et varsel)
2. Helsevedlikeholdsemne (HMT)
3. Beste praksis-varsel (BPA)
4. Beste praksis varsling og helsevedlikeholdsemne (BPA+HMT)

Geisinger Health System vil introdusere Epics Storyboard-panel (en ny måte å oppsummere pasientinformasjon i EMR) omtrent en måned inn i denne studien. Analyseplanen vil derfor teste for den potensielle effekten av denne endringen.

Leverandørene vil bli bedt om å diskutere og bestille screening av lipidstudier som ikke er fastende på tidspunktet for besøket med pasienten, basert på varslene ovenfor. Noen familier vil ha et varsel i MyGeisinger-portalen deres om at en helsevedlikeholdstest er på vei og å diskutere med leverandøren.

Resultatene vil bli vurdert og klassifisert som følger,

Resultatene vil inkludere lipidscreeningsordrer fra leverandører (ja/nei) og screeningfullføringer av pasienter (ja/nei). Følgende beskrivende resultater vil også bli gitt:

1. Lipidscreening bestilt
2. Lipidscreening bestilt og fullført
3. Lipidscreening bestilt, men ikke fullført
4. Lipidscreening gikk ned med grunn
5. Varsling ble ikke utført i det hele tatt

Analyse vil redegjøre for hekking av pasienter hos leverandører; dette vil inkludere leverandør som en tilfeldig effektvariabel i en serie binomiale logistiske regresjonsmodeller på flere nivåer, for å ta hensyn til potensiell korrelasjon med pasienter. Hvis intraklassekorrelasjonskoeffisienten er lav, vil kun de logistiske regresjonsmodellene på pasientnivå bli utført. I den første modellen vil den passive kontrollen fungere som referansegruppe, for å teste om hver av de aktive varslingsforholdene har en betydelig innvirkning på utfallene. I den andre modellen vil tilstanden kun BPA tjene som referansegruppe, for å teste om HMT og BPA+HMT gir betydelige forbedringer i ytelse. Til slutt vil den tredje modellen bruke HMT-only-betingelsen som referanse, for å teste om BPA+HMT har en betydelig større innvirkning på resultatene. Storyboard X Condition-interaksjoner vil bli testet i modellene, og hvis noen er signifikante, vil serien med modeller bli utført separat på pasienter før og etter implementering av Storyboard i Epic, for å teste om og hvordan resultatene replikeres i de forskjellige kontekstene .