MétaCan
Menu
Retour à la cohorte
Enregistrement W2790577546 · doi:10.2196/cancer.7515

Toward Timely Data for Cancer Research: Assessment and Reengineering of the Cancer Reporting Process

2018· article· en· W2790577546 sur OpenAlexvenueno aff
Abdulrahman Jabour, Brian E. Dixon, Josette Jones, David A. Haggstrom

Notice bibliographique

RevueJMIR Cancer · 2018
Typearticle
Langueen
DomaineHealth Professions
ThématiqueElectronic Health Records Systems
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésWorkflowPsychological interventionCancer registryMedicineCancerComputer scienceDatabaseNursing

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Cancer registries systematically collect cancer-related data to support cancer surveillance activities. However, cancer data are often unavailable for months to years after diagnosis, limiting its utility. OBJECTIVE: The objective of this study was to identify the barriers to rapid cancer reporting and identify ways to shorten the turnaround time. METHODS: Certified cancer registrars reporting to the Indiana State Department of Health cancer registry participated in a semistructured interview. Registrars were asked to describe the reporting process, estimate the duration of each step, and identify any barriers that may impact the reporting speed. Qualitative data analysis was performed with the intent of generating recommendations for workflow redesign. The existing and redesigned workflows were simulated for comparison. RESULTS: Barriers to rapid reporting included access to medical records from multiple facilities and the waiting period from diagnosis to treatment. The redesigned workflow focused on facilitating data sharing between registrars and applying a more efficient queuing technique while registrars await the delivery of treatment. The simulation results demonstrated that our recommendations to reduce the waiting period and share information could potentially improve the average reporting speed by 87 days. CONCLUSIONS: Knowing the time elapsing at each step within the reporting process helps in prioritizing the needs and estimating the impact of future interventions. Where some previous studies focused on automating some of the cancer reporting activities, we anticipate much shorter reporting by leveraging health information technologies to target this waiting period.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,374
score de la tête « metaresearch » (Gemma)0,567
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesMétarecherche
DomaineSignal candidat: Présentation des résultats · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,626
Score d'incertitude au seuil0,772

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,3740,567
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0090,006
Études des sciences et des technologies0,0050,003
Communication savante0,0180,018
Science ouverte0,0070,008
Intégrité de la recherche0,0030,006
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,598
Tête enseignante GPT0,673
Écart entre enseignants0,075 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.

Devis d'étudeObservationnel
DomainePrésentation des résultats
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations12
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR CancerMême sujetElectronic Health Records SystemsTravaux en français237 207