MétaCan
Menu
Retour à la cohorte
Enregistrement W4382319878 · doi:10.1093/jbcr/irad045.212

737 Burn Data Management and Usage Across Canada: A Nationwide Survey

2023· article· en· W4382319878 sur OpenAlexaffabout
Eduardo Gus, Thrmiga Sathiyamoorthy, Jane Zhu, Joel Fish

Notice bibliographique

RevueJournal of Burn Care & Research · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueBurn Injury Management and Outcomes
Établissements canadiensHospital for Sick ChildrenUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésMedicineBenchmarkingDescriptive statisticsData collectionData qualityBurn centerThematic analysisPopulationMedical emergencyQuality managementBurn injuryQualitative propertyFamily medicineEnvironmental healthQualitative researchOperations managementPoison controlSurgeryManagement system

Résumé

récupéré en direct d'OpenAlex

Abstract Introduction Burn injuries account for significant morbidity in the Canadian population. Registries are an invaluable resource for the collection and interpretation of data surrounding disease and injury, answering research questions, and engendering benchmarking of quality-of-care indicators. Despite the rapid growth of registry science in the past decade in other jurisdictions, there has yet to be a burn registry developed for Canadian burn centres. The objectives for this project are to characterize the current state of burn data collection, analysis, and dissemination, and to explore the interest of various burn centres in contributing to a Canada-wide burn registry. Methods A 23-item mixed methods survey was created using REDCap and electronically delivered to burn directors or research managers of 22 burn centres across Canada. Descriptive statistics and thematic analysis were used for quantitative and qualitative analysis, respectively. Results Sixteen (72%) complete survey responses were received. Many centres treat both pediatric and adult patients, and all centres collect acute inpatient burn data. Types of data collected included epidemiology (88%), outcomes (69%) and quality of care indicators (44%). Most burn units (56%) collected data using their hospital’s database. Data was largely used for institutional learning purposes (81%). Routine use included quality improvement (69%), clinical research (50%), and patient care (50%). A minority of institutions report using their data for external purposes, such as conference presentations (31%) or journal publications (19%). While all units are currently collecting data, half of the institutions did not analyze their data, and a majority (73%) of institutions did not benchmark their data against other institutions. Feedback for creating a registry included overall strong support for the initiative. The most significant barrier perceived towards implementing a registry was cost, time, and human resources. Suggested measures to facilitate registry development included standardizing data entry and engagement with national and provincial institutions. Conclusions Although all Canadian burn centres are currently collecting data for institutional and quality improvement purposes, it is not routinely shared or used for benchmarking purposes. Burn centres demonstrated interest and support in contributing to a novel Canadian burn registry. Applicability of Research to Practice Future research may expand on initial themes outlined in our study to provide groundwork for the formation of a novel Canadian burn registry.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,010
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,049
Score d'incertitude au seuil0,356

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,010
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0040,013
Études des sciences et des technologies0,0040,001
Communication savante0,0020,001
Science ouverte0,0010,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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 Opus0,187
Tête enseignante GPT0,455
Écart entre enseignants0,268 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations0
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Burn Care & ResearchMême sujetBurn Injury Management and OutcomesTravaux en français237 207