Embedding Nursing Interventions into the World Health Organization’s International Classification of Health Interventions (ICHI)
Notice bibliographique
Résumé
OBJECTIVE: The International Classification of Health Interventions, currently being developed, seeks to span all sectors of the health system. Our objective was to test the draft classification's coverage of interventions commonly delivered by nurses, and propose changes to improve the utility and reliability of the classification for aggregating and analyzing data on nursing interventions. MATERIALS AND METHODS: A 2-phase content mapping method was used: (1) three coders independently applied the classification to a dataset comprising 100 high-frequency nursing interventions; (2) the coders reached consensus for each intervention and identified reasons for initial discrepancies. RESULTS: A consensus code was found for 80 of the 100 source terms; for 34% of these, the code was semantically equivalent to the source term, and for 64% it was broader. Issues that contributed to discrepancies in Phase 1 coding results included concepts in source terms not captured by the classification, ambiguities in source terms, and uncertainty of semantic matching between "action" concepts in source terms and classification codes. DISCUSSION: While the classification generally provides good coverage of nursing interventions, there remain a number of content gaps and granularity issues. Further development of definitions and coding guidance is needed to ensure consistency of application. CONCLUSION: This study has produced a set of proposals concerning changes needed to improve the classification. The novel method described here will inform future health terminology and classification content coverage studies.
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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».