Big data in healthcare research - how can we address public concerns of privacy
Notice bibliographique
Résumé
Big data is an emerging technological field that encompasses massive datasets. Its role in the healthcare field is currently being explored and has the potential to greatly improve healthcare and disease surveillance through pattern analysis of health data. Concerns had by the general public focus primarily on potential breaches of privacy and confidentiality of patient medical health records in the context of research. These concerns relate to the innate characteristics of big data, such as large size and fast data acquisition speed, which increases the risk of breaching confidentiality. Therefore, it is important for physicians to be mindful of privacy concerns and maintain trust as big data becomes more prominent. Doing so is a key factor in building public trust in the use. Understanding strategies and limitations of current practice standards will allow physicians to build on existing guidelines to incorporate the rise of big data. This means prioritizing privacy when handling big data through anonymization, creating safe havens and promoting dynamic informed consent practice standards.
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 | 0,398 | 0,497 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,003 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,011 | 0,075 |
| Communication savante | 0,038 | 0,072 |
| Science ouverte | 0,007 | 0,023 |
| Intégrité de la recherche | 0,025 | 0,037 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,004 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».