A Learning Health System for Pediatric Liver Transplant
Notice bibliographique
Résumé
OBJECTIVE: Learning health systems (LHS) integrate research, improvement, management, and patient care, such that every child receives "the right care at the right time...every time," that is, evidence-based, personalized medicine. Here, we report our efforts to establish a sustainable, productive, multicenter LHS focused on pediatric liver transplantation. METHODS: The Starzl Network for Excellence in Pediatric Transplantation (SNEPT) is the first multicenter effort by pediatric liver transplant families and providers to develop shared priorities and a shared agenda for innovation in clinical care. This report outlines SNEPT's structure, accomplishments, and challenges as an LHS. RESULTS: We prioritized 4 initial projects: immunosuppression, perioperative anticoagulation, quality of life, and transition of care. We shared center protocols/management to identify areas of practice variability between centers. We prioritized actionable items that address barriers to providing "the right care at the right time" to every pediatric liver transplant recipient: facilitating transparency of practice variation and the connection of practices to patient outcomes, harnessing existing datasets to reduce the burden of tracking outcomes, incorporating patient-reported outcomes into outcome metrics, and accelerating the implementation of knowledge into clinical practice. This has allowed us to strengthen collaborative relationships, design quality improvement projects, and collect pilot data for each of our priority projects. CONCLUSIONS: The field of pediatric liver transplantation can be advanced through application of LHS principles. Going forward, SNEPT will continue to unite patient advocacy, big data, technology, and transplant thought leaders to deliver the best care, while developing new, scalable solutions to pediatric transplantation's most challenging problems.
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 ».