Development of an automated system for clinical study recruitment
Notice bibliographique
Résumé
IntroductionThe AFTER AKI study was developed to evaluate implementation of a clinical decision support initiative for acute kidney injury patients. Recruitment relies on staff observing changes in serum creatinine, discussing the study with patients, and then alerting study personnel for consenting patients – a process that misses many eligible patients. Objectives and ApproachTo improve the efficiency of patient recruitment, we sought to develop an automated system to alert nurses on participating wards when patients on their wards met the study criteria with minimal risk of a data breech. To accomplish this, data from several databases were linked: Calgary Laboratory Services (CLS; a subsidiary of Alberta Health Services (AHS)) Data refreshed daily to capture serum creatinine labs AHS Analytics Data Warehouse Admission/Discharge/Transfer (ADT) data to determine patient location in hospital on previous day Discharge Abstract Database (DAD) to exclude patients with prior renal transplant ResultsThe data were linked using the following process: Daily procedure scheduled to flag patients who met the lab criteria on the previous day using CLS laboratory data. The identified patients were located by hospital and ward using ADT data, and to exclude patients with a prior renal transplant. Only non-transplant patients located one of the study wards were retained. Cumulative patient list updated with new patients and dates. Tableau report created and securely released to ward clerk to enable clerk to view new patients each day for their assigned wards and discuss study with them as an impartial third party. Consenting patients can then be approached by study personnel to discuss in more detail. Conclusion/ImplicationsA system was successfully created to enable an automated process for patient identification in a clinical trial. Patient privacy was protected by applying user-level security when disseminating reports to ensure that only health care providers within a patient’s ‘circle of care’ had access to necessary information.
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 | 0,034 | 0,074 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,008 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,029 | 0,019 |
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 ».