Notice bibliographique
Résumé
Big data using data science methods (data analytics) has the potential to effectively inform strategies to address complex healthcare challenges. However, this potential can only be realized if healthcare professionals have the requisite depth and breadth of knowledge (i.e., informatics competencies). With the emergence of electronic health records (EHRs - commonly known as clinical information systems [CISs]) in healthcare organizations, data analytics that can "interrogate" CIS big data are now possible. In its digitized form, CIS healthcare data meant to support real-time, evidence-based practice decisions and guide new health policy directions remain more of a conceptual promise than a practice reality. Further, the "data rich information poor" phenomenon existing with today's CISs is often the reality for nurses who document more patient information compared to other healthcare professionals and get negligible results in return. However, data science methods when applied to CIS big data are "uncovering" new evidence currently unavailable through traditional data analytic approaches. Big data science is predicted to provide immense opportunities for nurse leaders by offering robust, electronic tools, which support informed decision-making at corporate tables and "arm" all point-of-care/service clinicians with real-time evidence. In this article, we provide a perspective on how the field of data science can enable informatics-savvy nurse executives to lead clinical transformation in the development of the next generation of evidence-based practice, "practice-based evidence."
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 | 0,011 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,019 | 0,009 |
| Communication savante | 0,014 | 0,007 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».