Notice bibliographique
Résumé
V dnešní době je patrný trend digitalizace zdravotnických ar-chivů a související dokumentace, nastává tedy čas na zapojení technologií označovaných Big Data v oblasti biomedicínské informatiky. Tyto technologie nabízí rychlejší a efektivnější zpra-cování a sdílení obrovského množství dat. Vzhledem k tomu, že zdravotní péče pracuje s velmi citlivými daty, je jedním z hlav-ních zájmů ochrana dat pacientů. V mnoha zemích probíhá programové zavádění elektronizace zdravotní péče. Například v USA probíhá „Health Information Technology for Economic and Clinical Health Act“, (HITECH). Cílem výzkumu je návrh a de-finice pravidel, která zamezí zneužití a únikům citlivých biome-dicínských dat. Současně však v minimální míře omezí efektivitu jejich zpracování a kvalitu výstupních dat. Hromadnost zpra-cování osobních a citlivých dat se postupně stává obrovským rizikem a současně příležitostí pro nastavení pravidel a procesů vedoucí k minimalizaci, či dokonce eliminaci těchto rizik. Big Data skrývají obrovský potenciál pro výzkum v oblasti biomedicíny v mnoha oblastech ať již při analýze segmentace pacientů, cen a výsledků léčby, kde umožní zjistit zdravotně a cenově nejefektivnější postup léčení pro konkrétního pacien-ta a také například v proaktivní identifikaci pacientů, u nichž by se vyplatila zdravotnická prevence. Principiálně jsou Big Data použitelná k tomu, aby z analýzy výskytu chorob bylo možné dělat epidemiologické závěry a navrhovat preventivní opatření, mohou pomáhat při detekci a minimalizaci pokusů o podvody ve zdravotnictví a veřejném zdravotním pojištění a také přiná-šejí příležitost spolupráce s farmaceutickými společnostmi tak, aby pro ně bylo snazší identifikovat skupinu relevantních paci-entů pro klinické testy (za předpokladu předchozího souhlasu pacientů a dodržení etických norem).Článek si bere za cíl vysvětlit rozdílné přístupy a oblasti bezpečnosti v souvislosti s hromadným zpracováním dat ať již z pohledu bezpečnosti databázových dat jako celku, zamezení možnosti nepřímého získávání konkrétních údajů z neanony-mizovaného nebo i anonymizovaného souboru dat a z oblasti netriviálního dotazování.
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 | 0,012 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,009 |
| Études des sciences et des technologies | 0,004 | 0,007 |
| Communication savante | 0,019 | 0,017 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,029 | 0,007 |
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 ».