Quality and Safety in eHealth: The Need to Build the Evidence Base
Notice bibliographique
Résumé
Research in the area of health technology safety has demonstrated that technology may both improve patient safety and introduce new types of technology-induced errors. Thus, there is a need to publish safety science literature to develop an evidence-based research base, on which we can continually develop new, safe technologies and improve patient safety. The aim of this viewpoint is to argue for the need to advance evidence-based research in health informatics, so that new technologies can be designed, developed, and implemented for their safety prior to their use in health care. This viewpoint offers a historical perspective on the development of health informatics and safety literature in the area of health technology. I argue for the need to conduct safety studies of technologies used by health professionals and consumers to develop an evidence base in this area. Ongoing research is necessary to improve the quality and safety of health technologies. Over the past several decades, we have seen health informatics emerge as a discipline, with growing research in the field examining the design, development, and implementation of different health technologies and new challenges such as those associated with the quality and safety of technology use. Future research will need to focus on how we can continually extend safety science in this area. There is a need to integrate evidence-based research into the design, development, and implementation of health technologies to improve their safety and reduce technology-induced errors.
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 | 0,282 | 0,518 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,005 |
| Bibliométrie | 0,025 | 0,012 |
| Études des sciences et des technologies | 0,006 | 0,024 |
| Communication savante | 0,033 | 0,053 |
| Science ouverte | 0,009 | 0,020 |
| Intégrité de la recherche | 0,023 | 0,031 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».