MétaCan
Menu
Retour à la cohorte
Enregistrement W2102350193 · doi:10.15265/iy-2015-019

Patient-Centred Coordinated Care in Times of Emerging Diseases and Epidemics

2015· review· en· W2102350193 sur OpenAlexaff
Elizabeth Cummings, Judith W. Dexheimer, Yang Gong, Stephanie Kennebeck, André Kushniruk, Craig Kuziemsky, Kaija Saranto, Jens Weber, Hiroshi Takeda, Elizabeth M. Borycki

Notice bibliographique

RevueYearbook of Medical Informatics · 2015
Typereview
Langueen
DomaineHealth Professions
ThématiqueElectronic Health Records Systems
Établissements canadiensUniversity of OttawaUniversity of Victoria
Organismes subventionnairesnon disponible
Mots-clésRepurposingEmerging technologiesDiseaseOutbreakHealth careCoronavirus disease 2019 (COVID-19)MedicineComputer scienceData scienceBusinessEngineeringInfectious disease (medical specialty)Political sciencePathologyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

OBJECTIVES: In this paper the researchers describe how existing health information technologies (HIT) can be repurposed and new technologies can be innovated to provide patient-centered care to individuals affected by new and emerging diseases. METHODS: The researchers conducted a focused review of the published literature describing how HIT can be used to support safe, patient-centred, coordinated care to patients who are affected by Ebola (an emerging disease). RESULTS: New and emerging diseases present opportunities for repurposing existing technologies and for stimulating the development of new HIT innovation. Innovative technologies may be developed such as new software used for tracking patients during new or emerging disease outbreaks or by repurposing and extending existing technologies so they can be used to support patients, families and health professionals who may have been exposed to a disease. The paper describes the development of new technologies and the repurposing and extension of existing ones (such as electronic health records) using the most recent outbreak of Ebola as an example.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,026
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,044

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,026
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,004
Études des sciences et des technologies0,0010,001
Communication savante0,0030,004
Science ouverte0,0020,004
Intégrité de la recherche0,0030,003
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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.

Tête enseignante Opus0,082
Tête enseignante GPT0,455
Écart entre enseignants0,373 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueYearbook of Medical InformaticsMême sujetElectronic Health Records SystemsTravaux en français237 207