Multicenter data to improve health for pediatric renal transplant recipients in North America: Complementary approaches of NAPRTCS and IROC
Notice bibliographique
Résumé
Kidney transplantation increases life expectancy and improves quality of life for children with end-stage kidney disease, yet sequelae of transplantation and treatment make it difficult for transplant recipients to enjoy health and quality of life similar to their healthy peers. The NAPRTCS network was among the first to use multicenter data to inform improvements in care and outcomes for children with a kidney transplant through observational research. Now, with new technologies and unprecedented access to data, it is possible to create learning health systems as envisioned by the US National Academy of Sciences to seamlessly integrate research and continuous improvement of clinical care. In this review, we present two pre-eminent North American networks focused on using multicenter data to drive improved care and outcomes for children with a kidney transplant. Whereas, for the past 30 years NAPRTCS has focused on discovery of best practices through observational research and clinical trials, the Improving Renal Outcomes Collaborative, established in 2016, engages patients, families, clinicians, and researchers in redesigning the healthcare delivery system to enable practice change and continuous improvement of health outcomes. We discuss the history and past contributions of these networks, as well as current activities, barriers, and potential future solutions to more fully realize the vision of a true learning health system for pediatric kidney transplant recipients.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».