Health Information Management for Clinical Monitoring, Research, and Quality Assurance in Living Kidney Donor Evaluation
Notice bibliographique
Résumé
Background The Kidney Transplant Program at the Toronto General Hospital utilizes numerous electronic health record (EHR) platforms which house patient health information that are often not coded in a systematic manner to facilitate quality improvement and research. In recent years, the Comprehensive Living Kidney Donor (CLiKeD) database was developed for this purpose. Methods A team of multi-disciplinary professionals developed the framework and codebook for CLiKeD, which comprised data elements from the donor evaluation process, donor outcomes, costs, and quality-of-life measurements. To create CLiKeD, relational tables representing elements from performance measures and clinical tests domains, and linked to hospital-based costing data, were developed using MS Access. Training manuals for data abstraction and entry from EHR platforms were created to ensure all procedures were performed systematically. Results Currently, CLiKeD comprises over 21 data domains with 300 data elements. This includes information from all donor referrals since 1-Jan-2006 to the present. Data related to potential donors at different phases of their clinical evaluation have been systematically captured. Data linkages to matching recipient clinical information have been facilitated using appropriate data primary keys. The training manuals have led to the development of training courses and e-learning tools. A set of statistical codes developed utilizing the program Stata® were employed to perform data audits and validation checks to ensure maintenance of the quality of the databases and to produce standardized analytical datasets for ongoing and future research. Conclusion Data analysis from CLiKeD presented at programmatic retreats and scientific meetings will contribute to quality improvement and the knowledge base of living kidney donation and transplantation. Similar frameworks have a wide applicability for donor management systems in other healthcare institutions.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,059 | 0,123 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,010 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».