Methodological research priorities for data sciences: Report from The International Methodology Consortium for Coded Health Information (IMECCHI)
Notice bibliographique
Résumé
ABSTRACT
 ObjectivesThe vast amount of data produced by healthcare systems both structured and unstructured, termed ‘Big Data’ have the potential to improve the quality of healthcare through supporting a wide range of medical and healthcare functions, including clinical decision support, disease surveillance, and population health management. As the field of big data in healthcare is rapidly expanding, methodology to understand and analyze thereby enhancing and optimizing the use of this data is needed. We present priorities determined for future work in this area.
 ApproachAn international collaboration of health services researchers who aim to promote the methodological development and use of coded health information to promote quality of care and quality health policy decisions known as IMECCHI –proposes areas of development and future priorities for use of big data in healthcare. Thematic areas were determined through discussion of potential projects related to the use and evaluation of both structured /codeable and unstructured health information, during a recent meeting in October 2015
 ResultsSeveral themes were identified. The top priorities included: 1) electronic medical record data exploration and utilization; 2) developing common data models and multimodal /multi-source databases from disparate sources development; 3) data quality assessment including developing indicators, automated logic checks and international comparisons; 4) the translation of ICD-10 to ICD-11 through field-testing 5) Exploration of non-physician produced/coded data; and 6) Patient safety and quality measure development.
 ConclusionsA list of expert views on critical international priorities for future methodological research relating to big data in healthcare were determined. The consortium's members welcome contacts from investigators involved in research using health data, especially in cross-jurisdictional collaborative 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 | 0,104 | 0,171 |
| 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 | 0,013 | 0,001 |
| Communication savante | 0,001 | 0,007 |
| Science ouverte | 0,010 | 0,002 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».