Data Quality Improvement and Internal Data Audit of the Chinese Neonatal Network Data Collection System
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: The Chinese Neonatal Network (CHNN) is a nationwide neonatal network that aims to improve clinical neonatal care quality and short- and long-term health outcomes of infants. This study aims to assess the quality of the Chinese Neonatal Network database by conducting an internal audit of data extraction. Methods: A data audit was performed by independently replicating the data collection and entry process in all 58 tertiary neonatal intensive care units (NICU) participating in the CHNN. Eighty-eight data elements selected for re-abstraction were classified into three categories (critical, important, less important), and agreement rates for original and re-abstracted data were predefined. Three to five records were randomly selected at each site for re-abstraction, including one short- (0–7 days), two medium- (8–28 days), and two long-stay (more than 28 days) cases. Agreement rates for each data item were calculated for individual NICUs and across the network, respectively. Results: A total of 283 cases and 24,904 data fields were re-abstracted. The agreement rates for original and re-abstracted data elements were 96.1% overall, and 97.2, 94.3, and 96.6% for critical, important, and less important data elements, respectively. Individual site variation for discrepancies ranged between 0.0 and 18.4% for all collected data elements. Conclusion: The completeness, precision, and quality of data in the CHNN database are high, providing assurance for multipurpose use, including health service evaluation, quality improvement, clinical trials, and other 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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,003 |
| 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 découle