Using Pathology Synoptic Reporting Data to Create Individual Dashboards for Pathologists and Surgeons
Notice bibliographique
Résumé
CONTEXT.—: Electronic synoptic pathology reporting using xPert from mTuitive is available to all pathologists in British Columbia, Canada. Comparative feedback reports for pathologists and surgeons were created by using the synoptic reporting software. OBJECTIVE.—: To use data stored in a single central data repository to provide nonpunitive confidential comparative feedback reports (dashboards) to individual pathologists and surgeons for reflection on their practice and to use aggregate data for quality improvement initiatives. DESIGN.—: Integration of mTuitive middleware in 5 different laboratory information systems to have 1 software solution (xPert) sending discrete data elements to the central data repository was performed. Microsoft Office products were used to build comparative feedback reports and made the infrastructure sustainable. Two different types of reports were developed: individual confidential feedback reports (dashboards) and aggregated data reports. RESULTS.—: Pathologists have access to an individual confidential live feedback report for the 5 major cancer sites. Surgeons get an annual confidential emailed PDF report. Several quality improvement initiatives were identified from the aggregate data. CONCLUSIONS.—: We present 2 novel dashboards: a live pathologist dashboard and a static surgeon dashboard. Individual confidential dashboards incentivize use of nonmandated electronic synoptic pathology reporting tools and have increased adoption rates. Use of dashboards has also led to discussions about how patient care may be improved.
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 | 0,007 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».