New Tools for Data Harmonization and Their Potential Applications in Organ Transplantation
Notice bibliographique
Résumé
In organ transplantation, accurate analysis of clinical outcomes requires large, high-quality data sets. Not only are outcomes influenced by a multitude of factors such as donor, recipient, and transplant characteristics and posttransplant events but they may also change over time. Although large data sets already exist and are continually expanding in transplant registries and health institutions, these data are rarely combined for analysis because of a lack of harmonization. Promoted by the digitalization of the healthcare sector, effective data harmonization tools became available, with potential applications also for organ transplantation. We discuss herein the present problems in the harmonization of organ transplant data and offer solutions to enhance its accuracy through the use of emerging new tools. To overcome the problem of inadequate representation of transplantation-specific terms, ontologies and common data models particular to this field could be created and supported by a consortium of related stakeholders to ensure their broad acceptance. Adopting clear data-sharing policies can diminish administrative barriers that impede collaboration between organizations. Secure multiparty computation frameworks and the artificial intelligence (AI) approach federated learning can facilitate decentralized and harmonized analysis of data sets, without sharing sensitive data and compromising patient privacy. A common image data model built upon a standardized format would be beneficial to AI-based analysis of pathology images. Implementation of these promising new tools and measures, ideally with the involvement and support of transplant societies, is expected to produce improved integration and harmonization of transplant data and greater accuracy in clinical decision-making, enabling improved patient outcomes.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».