The International Network for Evaluating Outcomes (iNeo) of neonates: evolution, progress and opportunities
Notice bibliographique
Résumé
Neonates born very preterm (before 32 weeks' gestational age), are a significant public health concern because of their high-risk of mortality and life-long disability. In addition, caring for very preterm neonates can be expensive, both during their initial hospitalization and their long-term cost of permanent impairments. To address these issues, national and regional neonatal networks around the world collect and analyse data from their constituents to identify trends in outcomes, and conduct benchmarking, audit and research. Improving neonatal outcomes and reducing health care costs is a global problem that can be addressed using collaborative approaches to assess practice variation between countries, conduct research and implement evidence-based practices. The International Network for Evaluating Outcomes (iNeo) of neonates was established in 2013 with the goal of improving outcomes for very preterm neonates through international collaboration and comparisons. To date, 10 national or regional population-based neonatal networks/datasets participate in iNeo collaboration. The initiative now includes data on >200,000 very preterm neonates and has conducted important epidemiological studies evaluating outcomes, variations and trends. The collaboration has also surveyed >320 neonatal units worldwide to learn about variations in practices, healthcare service delivery, and physical, environmental and manpower related factors and support services for parents. The iNeo collaboration serves as a strong international platform for Neonatal-Perinatal health services research that facilitates international data sharing, capacity building, and global efforts to improve very preterm neonate care.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».