Nurses “Seeing Forest for the Trees” in the Age of Machine Learning
Notice bibliographique
Résumé
Although machine learning is increasingly being applied to support clinical decision making, there is a significant gap in understanding what it is and how nurses should adopt it in practice. The purpose of this case study is to show how one application of machine learning may support nursing work and to discuss how nurses can contribute to improving its relevance and performance. Using data from 130 specialized hospitals with 101 766 patients with diabetes, we applied various advanced statistical methods (known as machine learning algorithms) to predict early readmission. The best-performing machine learning algorithm showed modest predictive ability with opportunities for improvement. Nurses can contribute to machine learning algorithms by (1) filling data gaps with nursing-relevant data that provide personalized context about the patient, (2) improving data preprocessing techniques, and (3) evaluating potential value in practice. These findings suggest that nurses need to further process the information provided by machine learning and apply "Wisdom-in-Action" to make appropriate clinical decisions. Nurses play a pivotal role in ensuring that machine learning algorithms are shaped by their unique knowledge of each patient's personalized context. By combining machine learning with unique nursing knowledge, nurses can provide more visibility to nursing work, advance nursing science, and better individualize patient care. Therefore, to successfully integrate and maximize the benefits of machine learning, nurses must fully participate in its development, implementation, and evaluation.
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 | 0,013 | 0,053 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,012 |
| Communication savante | 0,007 | 0,021 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,007 | 0,014 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,005 |
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 ».