MétaCan
Menu
Retour à la cohorte
Enregistrement W2968419723 · doi:10.1016/j.dib.2019.104387

Dataset of clinical laboratory tests according to ordering variance among family physicians in Calgary, Alberta, Canada

2019· article· en· W2968419723 sur OpenAlexafffundabout
Leonard T. Nguyen, Maggie Guo, Brenda R. Hemmelgarn, Hude Quan, Fiona Clement, Tolulope T. Sajobi, Roger E. Thomas, Tanvir Chowdhury Turin, Christopher Naugler

Notice bibliographique

RevueData in Brief · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueClinical Laboratory Practices and Quality Control
Établissements canadiensUniversity of Calgary
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésVariance (accounting)Table (database)Test (biology)Family medicineStatisticsMedicinePsychologyMathematicsComputer scienceData miningAccounting

Résumé

récupéré en direct d'OpenAlex

This data incorporates 2016 testing volumes ordered by family physicians and performed at Calgary Laboratory Services (CLS), the sole supplier of clinical laboratory services for the catchment area of the City of Calgary, Alberta, Canada. For each test, the mean number of tests ordered per patient was calculated over ordering Calgary physicians, along with arithmetic coefficients of variation (CV's). The latter parameter is reflective of variance in ordering practice among family physicians practicing in Calgary and is proposed as a benchmark measure for laboratory utilization in our accompanying research article [1]. The data table encompasses 358 tests ordered by at least 3 family physicians at a minimum total frequency of 100 within the 2016 study period and is presented in ascending order of rank in CV.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,006
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,239
Score d'incertitude au seuil0,732

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,064
Tête enseignante GPT0,396
Écart entre enseignants0,332 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2019
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueData in BriefMême sujetClinical Laboratory Practices and Quality ControlTravaux en français237 207