Data Quality Improvement and Internal Data Audit of the Chinese Neonatal Network Data Collection System
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.
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 | 0,382 | 0,364 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,013 | 0,016 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,006 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 ».