Utvärdering av effekten av varningar för lipidscreening för barn

Patienter som är kvalificerade för denna studie kommer att randomiseras till en av fyra grupper via en Epic Electronic Medical Record (EMR) randomiseringsalgoritm som körs automatiskt vid tidpunkten för besöket:

1. Kontrollgrupp (6 månaders fördröjning innan deras leverantörer får en varning)
2. Hälsounderhållsämne (HMT)
3. Varning för bästa praxis (BPA)
4. Bästa praxis varning och hälsovård ämne (BPA+HMT)

Geisinger Health System kommer att introducera Epics Storyboard-panel (ett nytt sätt att sammanfatta patientinformation i EMR) ungefär en månad in i denna studie. Analysplanen kommer därför att testa för den potentiella effekten av denna förändring.

Leverantörerna kommer att uppmanas att diskutera och beställa screening av lipidstudier som inte är fastande vid tidpunkten för besöket med patienten, baserat på varningarna ovan. Vissa familjer kommer att ha en varning i sin MyGeisinger-portal om att ett hälsounderhållstest är på väg och att diskutera med sin leverantör.

Resultaten kommer att granskas och klassificeras enligt följande,

Resultaten kommer att inkludera beställningar av lipidscreening från leverantörer (ja/nej) och slutförande av screening av patienter (ja/nej). Följande beskrivande resultat kommer också att tillhandahållas:

1. Lipidscreening beställd
2. Lipidscreening beställd och avslutad
3. Lipidscreening beställd men inte avslutad
4. Lipidscreening minskade med anledningen varför
5. Alert har inte agerat alls

Analys kommer att ta hänsyn till häckningen av patienter inom vårdgivare; detta kommer att inkludera leverantör som en slumpmässig effektvariabel i en serie binomial logistisk regressionsmodeller på flera nivåer, för att ta hänsyn till potentiell korrelation med patienter. Om intraklasskorrelationskoefficienten är låg kommer endast de logistiska regressionsmodellerna på patientnivå att utföras. I den första modellen kommer den passiva kontrollen att fungera som referensgrupp för att testa om vart och ett av de aktiva larmtillstånden har en betydande inverkan på resultaten. I den andra modellen kommer endast BPA-tillståndet att fungera som referensgrupp för att testa om HMT och BPA+HMT erbjuder betydande prestandaförbättringar. Slutligen kommer den tredje modellen att använda endast HMT-villkoret som referens, för att testa om BPA+HMT har en signifikant större inverkan på resultaten. Storyboard X Condition-interaktioner kommer att testas inom modellerna, och om några är betydande kommer serierna av modeller att utföras separat på patienter före och efter implementeringen av Storyboard i Epic, för att testa om och hur resultaten replikerar i de olika sammanhangen .