Notice bibliographique
Résumé
IntroductionSeveral large health data networks such as FDA Sentinel, PCORnet, and the Canadian Network of Observational Drug Effect Studies (CNODES) facilitate multi-site research using real-world electronic health data such administrative claims data, electronic health record data and registries. Experience in operation of mutliple health data networks will described. Objectives and ApproachOver the past 15 years substantial progress has been made in developing the optimal network operational design, governance, and technical architecture to facilitate the creation and operation of large-scale distributed health data networks. The design, architecture, and operation of a sustainable health data network requires balancing the needs of the network stakeholders such as funders, data sources, investigators, and regulatory bodies while enabling rapid and efficient use of data to support evidence generation and decision making. Important topics include protection of patient privacy, security, data autonomy, distributed analytics, data quality, and protection of confidential information. ResultsThe design and architecture of existing distributed health data networks provides guidance regarding the potential operational model for new networks and identifies areas of research to improve network functionality and capabilities. Most health data network adopt a common data model approach to facilitate multi-site querying and data quality assessment. This approach is coupled with distributed querying in which data partners maintain physical and operational control of their data. This design maximizes protection of confidential and proprietary information and minimizes the need to share patient-level data. Privacy-preserving distributed regression approaches and methods that obviate the need to share person-level data while generating robust results help to ensure network participation. Strong security and governance structures are also necessary for effective operation of a distributed network. Conclusion/ImplicationsDistributed health data networks offer the opportunity to use real-world data for public health surveillance and comparative safety and effectiveness research across large populations. The operational design, technical and analytic architecture, and governance models of networks drive their acceptance and success.
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 | 0,004 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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.
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 ».