Consensus Minimal Dataset for Pediatric Emergency Medicine in Switzerland
Notice bibliographique
Résumé
OBJECTIVES: Standardized, harmonized data sets generated through routine clinical and administrative documentation can greatly accelerate the generation of evidence to improve patient care. The objective of this study was to define a pediatric emergency medicine (PEM) minimal dataset for Switzerland (Swiss PEM minimal dataset) and to contribute a subspecialty module to a national pediatric data harmonization process (SwissPedData). METHODS: We completed a modified Delphi survey, inviting experts from all major Swiss pediatric emergency departments (PEDs). RESULTS: Twelve experts from 10 Swiss PEDs, through 3 Delphi survey rounds and a moderated e-mail discussion, suggested a subspecialty module for PEM to complement the newly developed SwissPedData main common data model (CDM). The PEM subspecialty CDM contains 28 common data elements (CDEs) specific to PEM. Additional CDEs cover PEM-specific admission processes (type of arrival), timestamps (time of death), greater details on investigations and treatments received at the PED, and PEM procedures (eg, procedural sedation). In addition to the 28 CDEs specific to PEM, 43 items from the SwissPedData main CDM were selected to create a Swiss PEM minimal dataset. The final Swiss PEM minimal dataset was similar in scope and content to the registry of the Pediatric Emergency Care Applied Research Network. CONCLUSIONS: A practical minimal dataset for PEM in Switzerland was developed through recognized consensus methodology. The Swiss PEM minimal dataset developed by Swiss PEM experts will facilitate international data sharing for PEM research and quality improvement projects.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».