Dossiers médicauxConcept NCIt

N3-AUTOINDEXEE
Refus, par un médecin généraliste, d'un patient dont le dossier médical global est géré par un autre médecin généraliste si le rendez-vous est pris uniquement pour des raisons de convenance personnelle du patient.
https://ordomedic.be/fr/avis/deontologie/dossier-medical/refus-par-un-m%C3%A9decin-g%C3%A9n%C3%A9raliste-dun-patient-dont-le-dossier-m%C3%A9dical-global-est-g%C3%A9r%C3%A9-par-un-autre-m%C3%A9decin-g%C3%A9n%C3%A9raliste-si-le-rendez-vous-est-pris-uniquement-pour-des-raisons-de-convenance-personnelle-du-patient.
De plus en plus de patients font usage des systèmes d’agenda en ligne pour consulter un médecin généraliste. Lorsque le médecin généraliste détenteur du DMG n’est pas rapidement disponible, le patient prend rendez-vous avec un autre médecin généraliste qui peut le recevoir dans de plus courts délais. En sa séance du 23 mars 2024, le Conseil national a examiné la question de savoir si un médecin généraliste peut refuser un patient dont le dossier médical global est détenu par un autre médecin généraliste si ce patient désire une consultation avec lui uniquement pour des raisons de convenance personnelle.
2024
Ordre des médecins [belge]
Belgique
information scientifique et technique
refuser
autre voie d'admistration
Rendez-vous du patient
autre race
médecins généralistes
autres professionnel de santé
autres médecins
rendez-vous et plannings
dossiers médicaux
autres sites anatomiques
pensée
raisonnement
a comme patient
médecin de soins primaires
préjugé
dossiers médicaux
Syndrome de perfusion du propofol
unique
médecine générale
autre signe révélateur de cardiopathie congénitale

---
N3-AUTOINDEXEE
Intérêt de l’intelligence artificielle pour l’extraction automatisée des patients présentant un traumatisme crânien notifié dans le dossier de régulation médicale du SAMU 33
https://dumas.ccsd.cnrs.fr/dumas-03907401
Introduction : Le diagnostic d’un traumatisme crânien (TC) en préhospitalier est délicat, mais l’utilisation de paramètres et d’informations préhospitalières couplés au paradigme de l’apprentissage automatique pourrait améliorer la performance des modèles de prédiction et aider au triage des patients. Nous avons développé et testé un algorithme d’apprentissage profond pour classer les dossiers mentionnant un TC sur les données de régulation médicale. Matériel et méthode : Il s’agit d’une étude monocentrique rétrospective et transversale. Cette étude a été conduite dans le Service d’Aide Médicale d’Urgence (SAMU) du centre hospitalier universitaire de Bordeaux. Les données tirées des dossiers de régulation médicales entre 2009 et 2021 ont été annotées comme traumatisme crânien ou non puis analysées par le modèle. Résultats : un total de 1000 patients a été inclus dans l’analyse finale, avec une proportion de TC de 6,6%. Le modèle présentait une aire sous la courbe ROC de 0.97 (0,943-1) pour l’efficacité de classification des TC. Le modèle une fois validé a été appliqué sur l’ensemble du corpus des dossiers de régulation médicale pour une analyse descriptive sur la répartition des TC. Conclusion : le modèle d’apprentissage automatique a démontré une performance exceptionnelle pour la classification des TC parmi les dossiers de régulation médicale du SAMU 33. Des études supplémentaires sont nécessaires pour la prédiction des TC telles que la prédiction du pronostic ou de la sévérité pour aider à l’orientation des patients en préhospitalier.
2022
DUMAS - Dépôt Universitaire de Mémoires Après Soutenance
France
thèse ou mémoire
services des urgences médicales
a comme patient
patient
traumatismes cranioencéphaliques
régulateur
extraction
intelligence artificielle
traumatisme
Notification
blessure
patients
dossiers médicaux
dossiers médicaux
crânial
robot
papillomavirus humain type 33
intelligence
extraction
automatisme
machine d'état
traumatisme
automatique
crâne, sai
Automatisme
Allèle sauvage FCGR2C
intelligence artificielle

---