The Chinese Neonatal Network: a new platform of national collaboration on quality improvement for preterm infants
Notice bibliographique
Résumé
Background: The population of China represents about one sixth of the global population. It is important to create a national database with a large sample size and a sustained collaborative platform. The objective of this study was to introduce the Chinese Neonatal Network (CHNN), a new platform of national collaboration on quality improvement (QI) for short and long-term health outcomes of preterm infants. Methods: The background, participating centers, data collection, and objectives are described. Specific objectives are to: (I) Establish a standardized database of very preterm infants (VPI) with gestational age <32 weeks or birth weight (BW) <1,500 grams. (II) Assess, benchmark and monitor major outcomes of VPI and their risk determinants, as well as inter-institutional variations. (III) Implement the Evidence-based Practice for Improving Quality (EPIQ) program to improve quality of care and outcomes. (IV) Conduct collaborative research, including epidemiologic, clinical and health services studies and randomized controlled trials. This study is collaboratively funded by Canadian Institute of Health Research and the Children’s Hospital of Fudan University. Results: The CHNN collaboration acts as a platform that member neonatal intensive care units (NICUs) can access for evidence on implementing practice improvements, learning activities, and research collaborations. There were 58 participating centers in 2018, which was expanded to be 79 in 2021. CHNN has published 2 annual reports to describe the outcomes and care practices of VPI in 2019 and 2020, and conducted an internal audit of data quality. Conclusions: The knowledge generated will be available nationally and worldwide with a definite national impact and a likely global impact.
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 | 0,003 | 0,004 |
| 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 | 0,000 | 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 ».