Building a high quality medical data architecture for multiple uses in an integrated health care environment
Notice bibliographique
Résumé
Objective: The aim was to create a reliable information provisioning system in healthcare for both care and research processes, based on existing data standards and standardized electronic messages. The research question is: How can a Clinical Data Ware House (CDWH) be developed for standardized basic patient data, generic nursing data and data about oncology nursing, allowing management of Electronic Health Record data, electronic data exchange and data analytics? Materials and methods: The main instrument used was the Detailed Clinical Model (DCM) data standardization approach. Further, data communication utilized HealthLevel7v3 (HL7v3) messages, transported by Mirth Connect. In an incremental, design-oriented research project, CDWH-prototypes were constructed using Enterprise Architect, a HL7v3 generator plug-in, SQL Server technology and PostgreSQL-based CDWH-technology. Results: The project resulted in 16 existing DCMs selected and 6 new DCMs defined. From those DCMs, a HL7v3 message structure was generated and a CDWH created. Implementing specialized Data Marts (DM) a connection between the CDWH and one Electronic Health Record system was built. Discussion: Detailed Clinical Models improve data quality, yet building them consumes time and resources. Some required data codes could not be identified in time and dummy codes were used instead. The existence of unstructured medical data in legacy systems may proof to be an obstacle in the future. Conclusion: The project shows that using Detailed Clinical Models as the sole source for system development leads to a sound design for a CDWH and HL7v3 messages, supporting a standards based health information system, suitable for multiple uses.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 | 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 ».