4162 Improving Data Capacity and Predictive Capability of NSQIP-P Using Designed Sampling from Databases
Notice bibliographique
Résumé
OBJECTIVES/GOALS: Designed sampling from databases (DSD) methods have been used to cross-check electronic medical records for errors, structure study design, and, we hypothesize, can be used to make data collection for surgical quality metrics more efficient, particularly within national databases. We plan to apply statistical and DSD methods to accomplish the following aims: 1. Identify the most important elements in managing post-operative pain 2. Identify the most informative procedure or population-based targets to focus collection of additional, labor-intense detail surrounding adequacy of pain control (i.e., Patient Reported Outcome Measures (PROMs)). METHODS/STUDY POPULATION: Our study population includes all children, ages 1-18 years, captured in the National Surgical Quality Improvement Project-Pediatric (NSQIP-P) from 2019 to 2021. We plan to apply statistical (regression modeling) and DSD methods to accomplish the aims listed above. RESULTS/ANTICIPATED RESULTS: For Aim 1, we expect to identify patient, procedure, and perioperative pain management practices that influence postoperative pain. For Aim 2, we will focus on outcomes such as PROMs that are challenging to obtain. By applying DSD methods, we will identify specific procedure and/or population-based cohorts to capture PROMs and decrease data collection burdens, while maintaining power, as the project is scaled nationally to all of NSQIP-P. DISCUSSION/SIGNIFICANCE OF IMPACT: Data from this study will inform expansion of NSQIP-P to collect novel outcomes of clinical and societal importance without prohibitively increasing data collection burden.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».