Ontology Driven CPG Authoring and Execution via a Semantic Web Framework
Notice bibliographique
Résumé
Clinical Practice Guidelines (CPG) are used by healthcare practitioners to standardize clinical practice and to provide evidence mediated health-care. Currently, there have been considerable efforts to computerize CPG so as to operationalize them within Clinical Decision Support Systems (CDSS) and to deploy them at the point of care. In our work, we take a semantic web approach - employing a domain ontology, a patient ontology, decision rules and a rule execution engine - towards the computerization and execution of CPG for CDSS. We present an ontology-driven approach for computerizing CPG and executing them based on individual patient instances. In our work we extend the Guideline Element Model (GEM) for computerizing CPG. We have (i) defined a CPG ontology based on the Document Type Definition (DTD) of GEM for ontologically representing a GEM encoded CPG; (ii) developed CPG decision logic definition tool and defined CPG rule syntax that allows practitioners to abstract and define decision logic rules based on the CPGs decision-variables inherent within the CPG; (iii) developed a forward-chaining CPG execution engine that executes the set of CPG execution logic rules using the JENA reasoning system; and (iv) implemented an automated justification tree generation module that provides the inference trace for the solution in order to assist practitioners in understanding the rationale for the proposed recommendations. In practice, given a patient instance our CDSS is able to derive CPG based clinical recommendations. We will present a working prototype of our CPG-based CDSS for the EU Radiation Protection 118 Referral Guideline for Imaging (RPG).
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 | 0,002 |
| 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 | 0,000 |
| 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 ».