USE OF AN ELECTRONIC DATA WAREHOUSE TO ENHANCE CARDIAC SURGICAL SITE SURVEILLANCE AT A LARGE CANADIAN CENTRE
Notice bibliographique
Résumé
Background/Purpose: Surgical site infection surveillance to determineincidence is a key infection control activity. Case detection is labour-intensive, therefore most infection control programs use manual or simple electronic mechanisms to “trigger” chart review. However, such “trigger” mechanisms are also labour-intensive, and often of poor specificity. Our objective is to develop a complex trigger mechanism using data from an electronic data warehouse, to improve specificity of surveillance of surgical site infection compared to current trigger mechanisms. Methods: We will derive an electronic trigger tool for cardiac surgical site infection surveillance using a nested case-control design, among a cohort of all patients undergoing coronary artery bypass grafting, cardiac valve repairor replacement, or heart transplant at the University of Ottawa Heart Institute, from July 1 2004 to June 30 2007. We will perform a systematic literature review to identify potential trigger factors to include in the model, then construct the trigger tool by backwards stepwise logistic regression. The best-fit model will be used to calculate the probability of surgical site infection. We will select the threshold probability to use in surveillance by visual inspection of receiver-operator-characteristic curves. The accuracy of this electronic trigger mechanism will be compared to pre-existing manual and simple electronic mechanisms using relative true positive ratios and relative false positive ratios. Results/Conclusions: We have selected 200 cases of surgical site infection and 541 controls from among 3744 procedures performed during the study period. As of the date ofthis abstract we are still undertaking the systematic review.
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 | 0,003 |
| 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 | 0,002 |
| 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) | 0,001 | 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 ».