Canadian Spine Society Abstracts 2017
Notice bibliographique
Résumé
Background: The Canadian Spine Outcomes and Research Network (CSORN) is an emergent, rapidly growing national spine registry.The utility of a medical database is dependent on the quality of the data.Our objective is to evaluate data quality of the CSORN database.Methods: A retrospective analysis of data from 17 CSORN sites across Canada, including 6233 patients, was conducted.Completeness of data, follow-up rates and percentage of patient enrolment were assessed via CSORN data quality reports and site interviews.Data quality was operationally defined as poor (< 60% complete), moderate (60%-80% complete) and good (> 80% complete).Descriptive statistics were used to ascertain data completeness and follow-up rates.Repeated-measures analysis of variance was used to investigate the effect of time.Significance was set at α < 0.05.Results: Analy ses revealed successful enrolment of 78% of potential patients.Follow-up rates significantly decreased across time (F 1,30 = 15.10,p = 0.001).Follow-up rates declined significantly from 12 weeks (87.76%) to 12 months (59.25%) and 24 months (44.68%).At 12 weeks, 82.35% of sites had good follow-up, and 17.6% were moderate.At 12 and 24 months, 25% of sites had good follow-up rates, 25% had moderate and 50% had poor follow-up, as defined by this study.Overall data quality averaged 86.14%.The primary issue with data completeness can be narrowed down to specific problematic variables.The 24-month data quality is significantly lower, with thoracolumbar and cervical follow-up at moderate (72.65%) and poor (53.10%) quality, respectively.Mapping data from a previous database resulted in limited data quality.On average, 42.85% of CSORN variables were not included in previous databases, resulting in a 22.64% data quality drop.Conclusion: Overall data quality was classified as good.For new sites considering integration into CSORN, we do not recommend mapping over previously collected data.However, follow-up rates at 12 and 24 months were poor.This is common in medical databases, and CSORN has taken steps to improve data quality, including hiring a data quality coordinator and new training.Data quality is a critical component of databases and reanalysis is warranted following planned interventions.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,610 | 0,448 |
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 ».