Leveraging Digital Infrastructure for Data Analysis: An Example in Bariatric Surgery
Notice bibliographique
Résumé
BACKGROUND: The digitalization of healthcare information provides hospitals with the ability to gain insight into patterns and associations pertaining to disease and management. Using bariatric patient data as an example provided an opportunity to explore the potential of electronic medical record (EMR) data to generate insights. OBJECTIVE: The aim of this study was to extract EMR data pertaining to bariatric patient information as a means to explore predictive factors of weight loss post-bariatric surgery. METHODS: We conducted a retrospective cohort study of patients undergoing bariatric surgery between January 1, 2018, and April 30, 2019, at Humber River Hospital. Multiple linear regression was used to examine whether age, pre-surgery body mass index (BMI), comorbidities and mental health disorders predicted higher weight loss 6 months following bariatric surgery. RESULTS: A total of 502 patients were included in the final analysis. Age (ß = 0.04 [95% CI 0.01, 0.06], p = 0.005), baseline BMI (ß = -0.16 [95% CI -0.19, -0.13], p = <0.0001) and diabetes (ß = 0.82 [95% CI 0.23, 1.42], p = 0.007) were associated with weight loss six months post-bariatric surgery. CONCLUSION: EMRs are a rich source of data with the potential to generate insights that can lead to improved care.
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 | 0,040 | 0,090 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,014 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,007 | 0,011 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».