MétaCan
Menu
Retour à la cohorte
Enregistrement W1619627806 · doi:10.34105/j.kmel.2014.06.032

Informing physicians using a situated decision support system: Disease management for the smart city

2014· article· en· W1619627806 sur OpenAlexaff
Raafat George Saadé, Rustam Vahidov, George Tsoukas, Alexander Tsoukas

Notice bibliographique

RevueKnowledge Management & E-Learning An International Journal · 2014
Typearticle
Langueen
DomaineMedicine
ThématiqueTelemedicine and Telehealth Implementation
Établissements canadiensMcGill UniversityConcordia University
Organismes subventionnairesnon disponible
Mots-clésSituatedWorkflowContext (archaeology)Clinical decision support systemDecision support systemKnowledge managementProcess (computing)Health careComputer scienceBusinessProcess managementMedicineGeography

Résumé

récupéré en direct d'OpenAlex

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.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,012

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0030,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,034
Tête enseignante GPT0,365
Écart entre enseignants0,331 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2014
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueKnowledge Management & E-Learning An International JournalMême sujetTelemedicine and Telehealth ImplementationTravaux en français237 207