DEVELOPING AN IPAD<sup>®</sup> APPLICATION FOR DATA COLLECTION IN A RHEUMATOLOGY RESEARCH CLINIC
Notice bibliographique
Résumé
OBJECTIVES: Clinical research data are often collected on paper and later inputted onto an electronic database. This method is time consuming and potentially introduces errors. Therefore, to make primary data collection more efficient and less error prone we aimed to develop a touch-screen application for data collection in a psoriatic arthritis research clinic and compared it with the pre-existing paper-based system. METHODS: We developed a Web application using Java and optimized it for the iPad®. It highlights missing fields for physicians in real time, and only permits submission of data collection form after corrections are made. For its evaluation, seven physicians participated, and before each patient visit they were randomly assigned paper or iPad® data entry. Number of errors, length of visit, and time between clinic visit and completion of data entry were measured. RESULTS: A total of 106 patients seen in the clinic who agreed to participate were randomly assigned to be evaluated by clinic physicians using the iPad® (fifty-three patients) or a paper protocol (fifty-three patients). On average, 3.34 omissions were found per paper form, of which 2.24 would have been detected on the iPad®. The iPad® increased the mean patient encounter time from 37.2 minutes to 46.5 minutes, but eliminated delay between a clinic visit and its data entry. CONCLUSIONS: Entering data using the iPad® application makes the patient encounter slightly longer, but reduces "missing fields." It also eliminates the delay between clinic visit and data entry thus improving the efficiency of clinical data capture in a research setting.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,019 | 0,013 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».