MétaCan
Menu
Retour à la cohorte
Enregistrement W4312113792 · doi:10.1177/08404704221139383

Health technology, quality and safety in a learning health system

2022· article· en· W4312113792 sur OpenAlexafffund
Elizabeth M. Borycki, André Kushniruk

Notice bibliographique

RevueHealthcare Management Forum · 2022
Typearticle
Langueen
DomaineHealth Professions
ThématiqueElectronic Health Records Systems
Établissements canadiensUniversity of Victoria
Organismes subventionnairesNatural Sciences and Engineering Research Council of CanadaMichael Smith Health Research BC
Mots-clésQuality (philosophy)Health informaticsDigital healthInformaticsHealth information technologyPatient safetyComputer scienceOccupational safety and healthHealth careHealth Administration InformaticsPublic health informaticsKnowledge managementRisk analysis (engineering)Data scienceBusinessHRHISMedicineHealth educationNursingEngineeringPublic healthPolitical science

Résumé

récupéré en direct d'OpenAlex

Health technology quality and safety is an important issue for health informatics (i.e. digital health) professionals. Health technologies have been used to (1) collect data that can be analyzed to improve the quality and safety of healthcare activities and (2) re-engineer and/or automate error-prone processes. Health technologies are also able to introduce new types of errors (i.e. technology-induced errors) and have been implicated in propagating errors across digital health ecosystems. To develop a learning health system, health technologies need to be considered in terms of how they can improve the quality and safety of health activities traditionally carried out by humans (patients and health professionals) and also how the technology's quality and safety can be improved. This article outlines how this can be done by integrating evidence from health informatics research into practice using a learning health systems approach.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,014
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Intégrité de la recherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,940
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0140,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0060,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,004
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,064
Tête enseignante GPT0,449
Écart entre enseignants0,385 · 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 tête enseignante, pas un consensus.

Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

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

En bref

Citations22
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHealthcare Management ForumMême sujetElectronic Health Records SystemsTravaux en français237 207