Acute Kidney Injury in the Era of Big Data: The 15 <sup>th</sup> Consensus Conference of the Acute Dialysis Quality Initiative (ADQI)
Notice bibliographique
Résumé
The world is immersed in "big data". Big data has brought about radical innovations in the methods used to capture, transfer, store and analyze the vast quantities of data generated every minute of every day. At the same time; however, it has also become far easier and relatively inexpensive to do so. Rapidly transforming, integrating and applying this large volume and variety of data are what underlie the future of big data. The application of big data and predictive analytics in healthcare holds great promise to drive innovation, reduce cost and improve patient outcomes, health services operations and value. Acute kidney injury (AKI) may be an ideal syndrome from which various dimensions and applications built within the context of big data may influence the structure of services delivery, care processes and outcomes for patients. The use of innovative forms of "information technology" was originally identified by the Acute Dialysis Quality Initiative (ADQI) in 2002 as a core concept in need of attention to improve the care and outcomes for patients with AKI. For this 15(th) ADQI consensus meeting held on September 6-8, 2015 in Banff, Canada, five topics focused on AKI and acute renal replacement therapy were developed where extensive applications for use of big data were recognized and/or foreseen. In this series of articles in the Canadian Journal of Kidney Health and Disease, we describe the output from these discussions.
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 | 0,003 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».