Challenges to Using Big Data in Health Services Research
Notice bibliographique
Résumé
Given the shift in current healthcare trends toward digitization of storing information, there has been an increase in the number of studies using administrative databases. These databases provide a powerful tool to conduct research on outcomes, health services, and epidemiology. However, these databases have limitations and biases that should be considered. Given the sensitive information regarding patients’ health in the database, security clearances must be granted before data is accessed. Furthermore, algorithms to link the different variables to create a cohort of people with specific disease are imperfect and may not yield an accurate representation. Due to a large volume of records, a statistically significant finding may be observed, but may provide insignificant clinical results. Despite the current limitations, administrative databases provide powerful data that researchers can use to identify gaps in performance to improve the healthcare system.
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 | 0,500 | 0,734 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,008 | 0,006 |
| Bibliométrie | 0,017 | 0,036 |
| Études des sciences et des technologies | 0,007 | 0,020 |
| Communication savante | 0,035 | 0,043 |
| Science ouverte | 0,016 | 0,024 |
| Intégrité de la recherche | 0,010 | 0,025 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,006 |
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 ».