American Burn Association Consensus Statements
Notice bibliographique
Résumé
Nicole S. Gibran, MD, FACS* *From the University of Washington Medicine Regional Burn Center, University of Washington Medicine Department of Surgery, Seattle, Washington. See under consensus statements for author affiliations. The 2012 ABA burn quality consensus conference was underwritten in part by unrestricted educational grants from Molnlycke Health Care and Baxter Health Care. Address correspondence to Nicole S. Gibran MD, FACS, UW Medicine Regional Burn Center, UW Medicine Department of Surgery, Seattle, Washington 98104. Quality is generally recognized to have three components: structure, process, and outcomes. The American Burn Association (ABA) has a long history of trying to improve quality of care for patients with burn injuries. Since its establishment by Dr. Irving Feller in the 1970s,1 the National Burn Information Exchange, a nascent database relying on punch cards submitted by participating burn centers, has worked to drive quality improvement, regional healthcare planning, resource allocation, and research and prevention. Over time, this project evolved into the voluntary ABA project, the National Burn Repository (NBR), which now reports on incidence, etiology, and acute outcomes. The 2011 NBR Summary Report included more than 160,000 submissions from burn centers in the United States and Canada (and in 2010, Sweden). Like all data repositories, it has imperfections including missing data fields, but the ABA has initiated measures to incorporate a validator to minimize inconsistent data.
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 | 0,001 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».