Implementation of a data management program in a pediatric cancer unit in a low income country
Notice bibliographique
Résumé
INTRODUCTION: Pediatric cancer units in low-income countries lack data on which to base quality improvement initiatives. We implemented a data management program in the oncology unit of the children's hospital of Tegucigalpa, Honduras, and then we assessed training and supervision of data managers, data accuracy, and completeness as well as obstacles encountered. METHODS: Training included 2 days of off-site hands-on instruction in the use of an online database, daily on-site supervision by physicians, periodic online meetings for education and problem-solving, and continuous e-mail support. RESULTS: Of the 652 patients diagnosed with acute leukemia between July 1995 and June 2005, 150 (23%) had not yet been registered in the database at the time of audit and 65 (10%) had missing medical records. The remaining 437 charts (67%) were reviewed by an external auditor and compared to the data entered previously by the two trained data managers. Protocol information was incomplete in 30% of cases, and the cause of death was inaccurate in 18%. All other data were 99% accurate and 93%-100% complete. Obstacles included a limited medical records system, poor organization of the charts, missing records, inconsistently documented protocol information, data managers who lack a medical background, and slow or unreliable internet connections. CONCLUSION: Data managers can be trained to effectively collect basic pediatric oncology data in a low-income country. Addressing inadequacies in the medical record system while providing specific training in protocol-based care and determination of cause of death for both physicians and data managers will improve data quality.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».