Informing physicians using a situated decision support system: Disease management for the smart city
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
We are in the midst of a healthcare paradigm shift driven by the wide adoption of ubiquitous computing and various modes of information communications technologies. As a result, cities worldwide are undergoing a major process of urbanization with ever increasing wealth of sensing capabilities – hence the Internet of Things (IoT). These trends impose great pressure on how healthcare is done. This paper describes the design and implementation of a situated clinical decision support (SCDSS) system, most appropriate for smart cities. The SCDSS was prototyped and enhanced in a clinic. The SCDSS was then used in a clinic as well as in a university hospital centre. In this article, the system’s architecture, subcomponents and integrated workflow are described. The systems’ design was the result of a knowledge acquisition process involving interviews with five specialists and testing with 50 patients. The reports (specialist consultation report) generated by the SCDSS were shown to general practitioners who were not able to distinguish them from human specialist reports. We propose a context-aware CDSS and assess its effectiveness in managing a wide medical range of patients. Five different patient cases were identified for analysis. The SCDSS was used to produce draft electronic specialist consultations, which were then compared to the original specialists’ consultations. It was found that the SCDSS-generated consults were of better quality for a number of reasons discussed herein. SCDSSs have great promise for their use in the clinical environment of smart cities. Valuable insights into the integration and use of situated clinical decision support systems are highlighted and suggestions for future research are given.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle