Notice bibliographique
Résumé
Healthcare organizations around the world are facing unprecedented challenges in providing healthcare services at lower cost, while improving the level of service to their patients. To reduce costs, while meeting the demand for better quality outcomes, emphasis is being placed on preventative efforts, better access, and a personalized patient-centric experience. Canada is moving toward a healthcare model in which the patient is at the centre of care. The lifeblood of meeting these challenges will be regulatory changes, improved data, and technology. Patient empowerment over their healthcare continuum and privacy of their data is now at the forefront of major healthcare decisions. Due to the vast number of elements involved, including government, industry, technology, data sources, facilities, healthcare scenarios and an increasing range of patients' expectations, any solution must be well orchestrated and in concert with the other variables. All advances in healthcare technology, including Artificial Intelligence (AI), real-time monitoring with wearables and injectables, consolidated and enhanced data, point to a very different world of medicine in the near future. A rich and current aggregation of patient data forms the backbone of advanced healthcare. We define data usability as the ability of a clinician to quickly locate and assimilate the right patient data to determine optimal treatment. The key measurements associated with the research are in the area of clinicians saving time and being provided advanced diagnostic capability. This manuscript posits that improving data usability will be key to successfully achieving two objectives, one for the clinician and one for the patient. These objectives are: Provide a method that allows patients to pre-record and dynamically change their privacy decisions to restrict what data can be viewed by a clinician and allows patients to view who has accessed their data. Develop a data usability framework that will improve the usability of patient healthcare data empowering clinicians to more quickly identify and apply treatment to the benefit of the patient’s health. In this thesis, there are three contributions to the body of knowledge aligned with improving data usability for clinicians and patients. The first is the development of a new method to allow patients to manage the privacy of their data. The second is the creation of a framework comprised of an orchestration of features that collectively improve data usability for clinicians. The third contribution is the development of a new algorithm for defining and measuring data usability.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,114 | 0,398 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,025 | 0,015 |
| Science ouverte | 0,003 | 0,015 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,007 |
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 source (Gemma direct ou Codex distillé), 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 ».