Internal Audit of the Canadian Neonatal Network Data Collection System
Notice bibliographique
Résumé
Background Neonatal databases worldwide have become a prominent tool for benchmarking, evaluation of outcomes, and quality improvement initiatives. We aimed to assess the precision of the Canadian Neonatal Network (CNN) database by conducting an internal audit of data extraction. Methods An audit was conducted in all 31 neonatal units participating in the CNN. Ninety-five data items selected for reabstraction were classified into categories (critical, important, less important) based on predefined agreement rates. Five records were randomly selected at each site for reabstraction, including one short (3–7 days), two medium (8–12 days), and two long (18–22 days) stay cases. Agreement rates for each data item were calculated for individual units and across the network. Results A total of 155 cases and 14,725 data fields were reabstracted. The overall agreement rates for critical, important, and less important data items were 98.0, 96.1, and 96.3%, respectively. Individual site variation for discrepancies ranged between 0.2 and 12.8% for all collected data items. Conclusion Neonatal data extraction within the CNN database structure exhibited high precision; thereby, revealing the reliability of our data abstraction for neonatal demographic, processes of care, and outcomes information. An independent external audit of data extraction would be beneficial.
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 | 0,001 | 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 | 0,001 |
| 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 ».