A Decision Support System (DSS) for Colorectal Cancer Follow-Up Program via a Semantic Framework
Notice bibliographique
Résumé
This paper offers insights into evolving a decision support system (DSS) to aid primary care physicians and/or nurses in the post-surgical care of patients with Colorectal Cancer in a clinical setting. Presently, the oncologists in the cancer center, who are familiar with the Clinical Practice Guidelines (CPGs), are primarily responsible for the provision of follow-up care to their patients on the basis of the CPGs; in contrast, the attending primary care physician and/or nurse assisting the oncologist may be unfamiliar with these guidelines. These caregivers would, therefore, either require hardcopies of the CPGs or can be aided via a DSS for them to be able to provide the appropriate follow-up care for the respective cancer patients. Clearly, the Colorectal Cancer follow-up CPGs have to be analyzed and the ontology representing the knowledge embedded in the guidelines designed prior to realizing such a DSS. The designed ontology is often coded into Web Ontology Language (OWL) as a standard ontology that can be accessed through the Web. The authors' research team designed and presented the semantic framework of the web application, using the designed ontology that combines the current Web technology with database storage to achieve a unified development of the DSS. The authors also designed a user-friendly interface of the Web application to provide medical practitioners the functionality of the CPGs and the flexibility to customize the desired follow-up care schedule. The resulting DSS provides the physicians with follow-up program for the Colorectal Cancer patients based on the CPGs. The system was built using the semantic framework for the follow-up program and queries on the system are executed through SPARQL query engine.
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 | 0,002 | 0,002 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,003 |
| 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 ».