Establishing a minimum data set for Parkinson's (PMDS) in Iran
Notice bibliographique
Résumé
BACKGROUND: The minimum data set (MDS) is one of the important steps in the development of health care information systems. According to the Ministry of Health in Iran, a central and national registry along with Parkinson's MDS (PMDS) has not yet existed. So, this research was conducted to establish a PMDS in Iran. MATERIAL AND METHODS: This study was a descriptive-comparative method, which was done in 2019-2021 in four phases: (1) determining data elements related to Parkinson's disease in Iran and selected countries; (2) extracting and categorizing the data elements; (3) making a PMDS draft; (4) evaluating a draft by Delphi technique. The research population was the MDS in Australia, Canada, the United States of America, and Iran. After extracting the data elements of Parkinson's disease from various resources, the primary draft PMDS was developed. Then, the research group divided it into two categories (administrative and clinical). After that, it was sent to 50 healthcare professionals for validation by the Delphi method. RESULTS: Following the results of the two rounds of Delphi technique, Finally, PMDS was established including a total of 223 data elements in two categories: administrative and clinical with 72 and 151, respectively. Every category included 10 and 14 subcategories. CONCLUSION: The first and the most important step for standardization of data collection nationally is creating MDS. Due to the necessity of the existence of PMDS, a complete list of PMDS was established for collecting data on Parkinson's patients.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».