MétaCan
Menu
Retour à la cohorte
Enregistrement W4285378237 · doi:10.2196/32925

Hemodialysis Record Sharing: Solution for Work Burden Reduction and Disaster Preparedness

2022· article· en· W4285378237 sur OpenAlexvenueno aff
Keisuke Ido, Mariko Miyazaki, Masaaki Nakayama

Notice bibliographique

RevueJMIR Formative Research · 2022
Typearticle
Langueen
DomaineHealth Professions
ThématiqueDisaster Response and Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHemodialysisBackupMedicineMedical emergencyPreparednessDialysisInformation sharingMedical recordMedical prescriptionEmergency medicineIntensive care medicineInternal medicineDatabaseNursingComputer science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: After the Great East Japan Earthquake in 2011, backup systems for clinical information were launched in Japan. The system in Miyagi Prefecture called the Miyagi Medical and Welfare Information Network (MMWIN) is used as a health information exchange network to share clinical information among various medical facilities for patients who have opted in. Hospitals and clinics specializing in chronic renal failure require patients' data and records during hemodialysis to facilitate communication in daily clinical activity and preparedness for disasters. OBJECTIVE: This study aimed to facilitate the sharing of clinical data of patients undergoing hemodialysis among different hemodialysis facilities. METHODS: We introduced a document-sharing system to make hemodialysis reports available on the MMWIN. We also recruited hospitals and clinics to share the hemodialysis reports of their patients and promoted the development of a network between emergency and dialysis clinics. RESULTS: In addition to basic patient information as well as information on diagnosis, prescription, laboratory data, hospitalization, allergy, and image data from different facilities, specific information about hemodialysis is available, as well as a backup of indispensable information in preparation for disasters. As of June 1, 2021, 12 clinics and 10 hospitals of 68 dialysis facilities in Miyagi participated in the MMWIN. The number of patients who underwent hemodialysis in Miyagi increased by more than 40%. CONCLUSIONS: Our backup system successfully developed a network of hemodialysis facilities. We have accumulated data that are beneficial to prevent the fragmentation of patient information and would be helpful in transferring patients efficiently during unpredictable disasters.

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)0,011
score de la tête « metaresearch » (Gemma)0,024
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: aucune
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,059

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0110,024
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0030,001
Communication savante0,0040,008
Science ouverte0,0030,006
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0100,002

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 Opus0,168
Tête enseignante GPT0,496
Écart entre enseignants0,327 · 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
GenreMéthodes

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

En bref

Citations4
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative ResearchMême sujetDisaster Response and ManagementTravaux en français237 207