Using the Canadian Institute for Health Information’s Information Quality Framework to Support Integration and Utilization of Complex, Multi-Jurisdictional Data
Notice bibliographique
Résumé
The Canadian Institute for Health Information (CIHI) provides essential information on Canada’s health systems and the health of Canadians. This presentation discusses information quality’s role in the integration and utilization of CIHI’s complex, multi-sector and multi-jurisdictional data.
 IntroductionCIHI’s Data and Information Quality Program is recognized internationally for its comprehensiveness and high standards. As the need for linked data research increases, the requirements on quality continue to grow. CIHI’s multi-sector, multi-jurisdictional healthcare system and the varying health policies, care delivery models, and data collection practices that go with it pose challenges for researchers as they try to pull the data together in a comprehensive way. CIHI’s Information Quality Framework forms the foundation for addressing these challenges and ensuring data are fit for integration and are properly utilized.
 Objectives and ApproachIn 2019, a connected data quality project was initiated to improve the usability of CIHI’s analytical data. Information quality framework concepts were applied across CIHI data sources to better understand data linkage challenges, measure inconsistencies across data sources, identify opportunities to improve data and standards, and develop resources to support users.
 ResultsFindings from the project identified key connected data quality activities for the organization to operationalize. These focus on quality assessment and reporting; harmonization of data standards; expanded documentation and analytical resources; data classification and profiling tools to support descriptive analysis; and new source of truth and pre-linked datasets. Quality activities were prioritized based on need and complexity, and “connected data teams” were established to carry out the work.
 Conclusion / ImplicationsExpansion of CIHI’s quality framework across data sources facilitates its data linkage capabilities and “connected data” use. It enables the evolution of CIHI’s analytical environments and information products from being database specific to integrated-data driven, and facilitates the use of CIHI’s analytical data for research.
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 | 0,011 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,019 |
| Science ouverte | 0,004 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».