Processus de validation d’une base de données haute résolution dans une unité de soins intensifs pédiatriques
Notice bibliographique
Résumé
Objectif : Notre objectif était d’évaluer la qualité des données de la base de données haute résolution (BDHR) implantée dans l’unité de soins intensifs pédiatriques (USIP) de l’Hôpital Sainte-Justine (HSJ). Type d’étude : Un rapport descriptif et une analyse d’une étude prospective de validation d’une BDHR. Environnement : Une USIP de 32 lits, adaptée aux soins médicaux, chirurgicaux et cardiaques dans un centre tertiaire mère-enfant du Canada. Population : Tous les patients admis à l’USIP et ayant un monitorage d’au moins 1 signe vital par un moniteur cardio-respiratoire. Mesures et résultats principaux : Entre juin 2017 et août 2018, les données de 295 jours de patients ont été enregistrées à partir des appareils médicaux et 4465 données ont été filmées et comparées aux données correspondantes dans la BDHR de l’USIP de l’HSJ. Les analyses statistiques ont démontré en général une bonne corrélation, une excellente fiabilité et un bon agrément. Les graphiques de Bland-Altman ont aussi démontré l’exactitude et la précision entre les données récoltées et les données filmées selon les limites d’agrément cliniquement significatives préalablement définies. Conclusions : Cette étude de validation exécutée sur un échantillon représentatif a démontré que la qualité des données était globalement excellente.
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 | 0,379 | 0,552 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,006 |
| Bibliométrie | 0,011 | 0,010 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,008 | 0,004 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 ».