Validation process of a <scp>high‐resolution</scp> database in a paediatric intensive care unit—Describing the perpetual patient's validation
Notice bibliographique
Résumé
Abstract Rationale High data quality is essential to ensure the validity of clinical and research inferences based on it. However, these data quality assessments are often missing even though these data are used in daily practice and research. Aims and objectives Our objective was to evaluate the data quality of our high‐resolution electronic database (HRDB) implemented in our paediatric intensive care unit (PICU). Methods We conducted a prospective validation study of a HRDB in a 32‐bed paediatric medical, surgical, and cardiac PICU in a tertiary care freestanding maternal‐child health centre in Canada. All patients admitted to the PICU with at least one vital sign monitored using a cardiorespiratory monitor connected to the central monitoring station. Results Between June 2017 and August 2018, data from 295 patient days were recorded from medical devices and 4645 data points were video recorded and compared to the corresponding data collected in the HRDB. Statistical analysis showed an excellent overall correlation ( R 2 = 1), accuracy (100%), agreement (bias = 0, limits of agreement = 0), completeness (2% missing data), and reliability (ICC = 1) between recorded and collected data within clinically significant pre‐defined limits of agreement. Divergent points could all be explained. Conclusions This prospective validation of a representative sample showed an excellent overall data quality.
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 | 0,331 | 0,417 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,007 | 0,003 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».