L’informatique pour améliorer les soins infirmiers : le pouvoir inexploité des données collectées par le personnel infirmier
Notice bibliographique
Résumé
Dans le domaine des soins de santé, la collecte de données revêt une importance capitale pour guider les décisions cliniques, la planification des ressources et le suivi de l’efficacité des soins. Le Système canadien d’information de gestion des départements d’urgence (SIGDU) et l’Échelle canadienne de triage et de gravité pour les départements d’urgence (ÉTG) sont les principaux outils utilisés pour collecter ces données. Malgré le fait que les infirmières des urgences se servent de ces outils tous les jours pour recueillir des données utiles sur les patients et les soins de santé, on ignore la compréhension qu’elles ont de l’objectif et de l’incidence de cette collecte de données. À cause de leur connaissance limitée de l’informatique et de leur faible représentation dans la recherche et les initiatives stratégiques du domaine des technologies de l’information et de la communication (TIC), les infirmières des urgences risquent de ne pas tirer pleinement profit des avantages de la technologie. L’Association nationale des infirmières et infirmiers d’urgence (ou NENA, pour National Emergency Nurses Association) est bien placée pour exercer le leadership nécessaire afin que les infirmières ne soient pas seulement chargées de recueillir les données, mais qu’elles sachent aussi les utiliser en maximisant leur capacité à faire progresser la pratique des soins infirmiers d’urgence grâce à l’informatique.
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 | 0,025 | 0,097 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,007 | 0,010 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,015 | 0,016 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,005 |
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 ».