MétaCan
Menu
Retour à la cohorte
Enregistrement W2971696135 · doi:10.36740/wlek201906104

PROS AND CONS OF TECHNOLOGY FOR PATIENTS

2019· article· en· W2971696135 sur OpenAlexaff
Andrzej Kajetanowicz, Aleksandra Kajetanowicz

Notice bibliographique

RevueWiadomości Lekarskie · 2019
Typearticle
Langueen
DomaineHealth Professions
ThématiqueElectronic Health Records Systems
Établissements canadiensCape Breton Regional HospitalDalhousie University
Organismes subventionnairesnon disponible
Mots-clésHarmThe InternetInformation technologySocial mediaHealth technologyInternet privacyBiomedical technologyMedicineBusinessRisk analysis (engineering)Public relationsComputer sciencePsychologyHealth careEngineeringPolitical scienceWorld Wide WebSocial psychology

Résumé

récupéré en direct d'OpenAlex

Introduction: Technology developed specifically for patients progresses quickly and helps patients in hospital as well as at home. It helps the healthy population to stay healthy. Technology can broadly be divided into hardware and software. Main Text: When used under the supervision of health professionals, technology is mostly beneficial - when harm, or no benefit is detected, the technology is withdrawn or corrected. Uncontrolled use of technology without verification and without monitoring of outcomes often leads to negative effects. Without regulation, technology continues to be used even when proven to be useless or even harmful. Conclusion: Uncontrolled use of technology with no input from health professionals, social media, and internet access with unreliable sources has more negative than positive effect. There is need for more research on how to successfully educate patients since technology is quickly expanding, and it is easier than ever to access to information online. Traditional education relying on authority is not currently successful.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,833
Score d'incertitude au seuil0,508

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
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 Opus0,021
Tête enseignante GPT0,402
Écart entre enseignants0,382 · 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'admission1
Résumé présentoui

Explorer davantage

Même revueWiadomości LekarskieMême sujetElectronic Health Records SystemsTravaux en français237 207