HAIKU: A Semantic Framework for Surveillance of Healthcare-Associated Infections
Notice bibliographique
Résumé
Healthcare-Associated Infections (HAI) impose a substantial health and financial burden. Surveillance for HAI is essential to develop and evaluate prevention and control efforts. The traditional approaches to HAI surveillance are often limited in scope and efficiency by the need to manually obtain and integrate data from disparate paper charts and information systems. The considerable effort required for discovery and integration of relevant data from multiple sources limits the current effectiveness of HAI surveillance. Knowledge-based systems can address this problem of contextualizing data to support integration and reasoning. In order to facilitate knowledge-based decision making in this area, availability of a reference vocabulary is crucial. The existing terminologies in this domain still suffer from inconsistencies and confusion in different medical/clinical practices, and there is a need for their further improvement and clarification. To develop a common understanding of the infection control domain and to achieve data interoperability in the area of hospital-acquired infections, we present the HAI Ontology (HAIO) to improve knowledge processing in pervasive healthcare environments, as part of the HAIKU (Hospital Acquired Infections - Knowledge in Use) system. The HAIKU framework assists physicians and infection control practitioners by providing recommendations regarding case detection, risk stratification and identification of diagnostic factors.
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 | 0,005 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,004 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,006 | 0,008 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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.
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 ».