Factors affecting the implementation and use of electronic templates for histopathology cancer reporting
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The surgical pathology report on cancer resection specimens is fundamental for providing clinicians with the information needed for adequate patient oncology treatment. Since the multi-institutional quality study on pathology reporting of colorectal cancer published by Zarbo in 1992,1 many other studies have shown that the use of checklists or synoptic reporting is superior to traditional narrative (free text) reporting.2–4 Using electronic health records, synoptic histopathology reporting tools can be designed to be very sophisticated with discrete data fields, drop down menus, and automated SNOMED encoding.5 The use of discrete data fields (’atomic data’) means that it is possible to automatically search, extract, and transmit data electronically.4 Despite the apparent benefits of electronic synoptic histopathology reporting, and the successful regional implementation of such a reporting system in Ontario, Canada,5 others have reported that the implementation and use of electronic histopathology reporting is no easy organisational task.6,7 Similar challenges have also been reported regarding the implementation and use of a web-based synoptic reporting tool for cancer surgery.8,9 From a management and organisational perspective, the list of possible causes for project failure with respect to information technology development, implementation and use is long.10 In our opinion, a pro-active understanding and management of key organisational issues is a requirement for successful long-term synoptic histopathology cancer reporting.
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.
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 | 0,056 |
| 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 | 0,000 | 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 découle