The cerebral palsy research network: Building a learning health network for cerebral palsy
Notice bibliographique
Résumé
PURPOSE: The purpose of this study was to measure the growth of the Cerebral Palsy (CP) Research Network towards becoming a Learning Health Network in order to guide future development. METHODS: Thirteen CP Research Network leaders completed the Network Maturity Grid (NMG) which consists of six domains with eight to 10 components each. The six domains are Systems of Leadership, Governance and Management, Quality Improvement, Engagement and Community, Data and Analytics, and Research. Radar mapping was utilized to display mean scores on a 5-point ordinal scale (1 = not started to 5 = idealized state) across domains and for individual components within domains. Consensus was reached for top priorities for the next 3-5 years. RESULTS: Domain scores ranged from 2.4 in Quality Improvement to 3.2 in System of Leadership. The lowest scoring component was clinician clinical decision support and the highest was common purpose. The following priority areas of focus were agreed upon moving forward: development of leaders, financial sustainability, quality improvement education and training, patient reported data, data quality and validation, and primary data collection. CONCLUSION: Results from this project will be utilized for strategic planning to improve the network. Conducting regular self-assessments of the network with the NMG will be useful in achieving the network's ultimate goal to improve care and outcomes for individuals with CP.
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 | 0,035 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,003 |
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 ».