Identifying non-traditional electronic datasets for population-level surveillance and prevention of cardiometabolic diseases: a scoping review protocol
Notice bibliographique
Résumé
INTRODUCTION: Cardiometabolic diseases, including cardiovascular disease, obesity and diabetes, are leading causes of death and disability worldwide. Modern advances in population-level disease surveillance are necessary and may inform novel opportunities for precision public health approaches to disease prevention. Electronic data sources, such as social media and consumer rewards points systems, have expanded dramatically in recent decades. These non-traditional datasets may enhance traditional clinical and public health datasets and inform cardiometabolic disease surveillance and population health interventions. However, the scope of non-traditional electronic datasets and their use for cardiometabolic disease surveillance and population health interventions has not been previously reviewed. The primary objective of this review is to describe the scope of non-traditional electronic datasets, and how they are being used for cardiometabolic disease surveillance and to inform interventions. The secondary objective is to describe the methods, such as machine learning and natural language processing, that have been applied to leverage these datasets. METHODS AND ANALYSIS: We will conduct a scoping review following recommended methodology. Search terms will be based on the three central concepts of non-traditional electronic datasets, cardiometabolic diseases and population health. We will search EMBASE, MEDLINE, CINAHL, Scopus, Web of Science and Cochrane Library peer-reviewed databases and will also conduct a grey literature search. Articles published from 2000 to present will be independently screened by two reviewers for inclusion at abstract and full-text stages, and conflicts will be resolved by a separate reviewer. We will report this data as per the Preferred Reporting Items for Systematic Reviews and Meta-Analyses extension for Scoping Reviews. ETHICS AND DISSEMINATION: No ethics approval is required for this protocol and scoping review, as data will be used only from published studies with appropriate ethics approval. Results will be disseminated in a peer-reviewed publication.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| 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 ».