Characteristics and classification of big data in health care sector
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
Information technology has advanced during the last five decades to the stage where its impact is being felt by the society in every service that it gets from media, business, health care, consumer electronics, energy and power, and transportation domains. During this course of human-technology interaction enormous amount of data and knowledge transfer takes place directly between service providers and their clients, as well as indirectly between clients. Because human tendency is to “analyze” its past in order to predict the “future”, keeping track of this dynamically streaming voluminous heterogeneous data, called Big Data (BD), and analyzing it for meaningful discovery of knowledge that leads to value-added business becomes an important research activity. It is in this context that research in Big Data (BD) computing has emerged. Meaningful decisions can be based only on significant knowledge discovery, which in turn requires a good understanding of the characteristics of the accumulated data, an appropriate classification of this huge collection, and an efficient analysis of it. Health care sector is a critical infrastructure because its services affect the lives of humans and the lack of service continuity may be disastrous to the economy and human lives. The large amount of data collected by this sector from its clients is structured into Electronic Health Records (EHR) which is BD, and is used along with pharmaceutical and regulatory data in providing health services. More BD is generated while administering services and measuring their impacts on clients after administering the services. It is in this larger context that we investigate the types and sources of Health Care BD (HBD), its characteristics, and give a classification of it.
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 | 0,002 | 0,001 |
| 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 découle