MétaCan
Menu
Retour à la cohorte
Enregistrement W3209826303 · doi:10.1148/rg.2021210083

Preventing and Mitigating Radiology System Failures: A Guide to Disaster Planning

2021· article· en· W3209826303 sur OpenAlexaff
Brian Gibney, James M. Roberts, Robert M. D'Ortenzio, Adnan Sheikh, Savvas Nicolaou, Eric Roberge, Siobhan O’Neill

Notice bibliographique

RevueRadiographics · 2021
Typearticle
Langueen
DomaineHealth Professions
ThématiqueDisaster Response and Management
Établissements canadiensUniversity of British ColumbiaVancouver General Hospital
Organismes subventionnairesnon disponible
Mots-clésMedicineEmergency departmentResilience (materials science)Vulnerability (computing)Medical emergencyHealth careEvent (particle physics)ModalitiesHazardRisk analysis (engineering)Computer scienceComputer securityNursing

Résumé

récupéré en direct d'OpenAlex

Disaster planning is a core facet of modern health care practice. Owing to complex infrastructure requirements, radiology departments are vulnerable to system failures that may occur in isolation or during a disaster event when the urgency for and volume of imaging examinations increases. Planning for systems failures helps ensure continuity of service provision and patient care during an adverse event. Hazards to which a radiology department is vulnerable can be identified by applying a systematic approach with recognized tools such as the Hazard, Risk, and Vulnerability Analysis. Potential critical weaknesses within the department are highlighted by the Failure Mode and Effects Analysis tool. Recognizing the potential latent conditions and active failures that may impact systems allows implementation of strategies to prevent failure or to build resilience and mitigate the effects if they happen. Inherent system resilience to an adverse event can be estimated, and the ability of a department to operate during a disaster and the subsequent recovery can be predicted. The main systems at risk in a radiology department are staff, structure, stuff (supplies and/or equipment), and software, although individual issues and solutions within these are department specific. When medical imaging or examination interpretation needs cannot be met in the radiology department, the use of portable imaging modalities and teleradiology can augment the disaster response. All phases of disaster response planning should consider both sustaining operations and the transition back to normal function. Online supplemental material and the slide presentation from the RSNA Annual Meeting are available for this article. Work of the U.S. Government published under an exclusive license with the RSNA.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,029
Score d'incertitude au seuil0,097

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,012
Méta-épidémiologie (sens strict)0,0030,002
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0060,003
Études des sciences et des technologies0,0020,003
Communication savante0,0040,006
Science ouverte0,0060,003
Intégrité de la recherche0,0070,009
Charge utile insuffisante (le modèle a refusé de juger)0,0290,033

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.

Tête enseignante Opus0,033
Tête enseignante GPT0,392
Écart entre enseignants0,359 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueRadiographicsMême sujetDisaster Response and ManagementTravaux en français237 207