MétaCan
Menu
Retour à la cohorte
Enregistrement W4402405587 · doi:10.23889/ijpds.v9i5.2889

Assessing Hospital Data Quality: Application of a Data Quality Tool in 15 Countries

2024· article· en· W4402405587 sur OpenAlexaffabout
Namneet Sandhu, Sarah Burkhead Whittle, Lucia Otero Varela, Cathy A. Eastwood, Danielle A. Southern, Hude Quan

Notice bibliographique

RevueInternational Journal for Population Data Science · 2024
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMedical Coding and Health Information
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésQuality (philosophy)Data qualityComputer scienceData scienceBusinessData miningMarketing

Résumé

récupéré en direct d'OpenAlex

IntroductionGlobally, differences in coding practices and guidelines lead to variations in hospital-administrative data. Studies on patient safety found that better hospital-data quality is associated with higher rates of patient safety events. This study outlines our process of creating a standardized tool for countries to assess their hospital-administrative data quality. ApproachWe developed 24 indicators across five different dimensions through a Delphi-consensus method. To test applicability of these indicators, we approached representatives from 50 countries with an online survey comprised of qualitative and quantitative questions. Characteristics of each country and indicator scores were noted. A data quality overall score, out of 20, was calculated for each country based on survey responses. The score was classified into 3 data quality categories: high (≥18), moderate (13-17.9), and low (<13). ResultsOf the 50 countries invited, 17 responded. Surveys from two countries were excluded due to insufficient data. Country responses (n=15) were evaluated and scored by dimension. The data quality indicators showed positive face validity and were applicable for most countries providing comparative information for development of the tool with good discrimination. Canada, USA, New Zealand, UK, and Spain were among the countries with an overall high data quality score (≥18). Most countries scored high in 3 out of 5 dimensions of data quality. A few countries scored 0 out of 4 in ‘Relevance’ and ‘Timeliness’ dimensions resulting in a lower overall score. ConclusionWe propose our developed tool be used for comparing hospital-administrative data quality for applying the same standard across countries.

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)0,104
score de la tête « metaresearch » (Gemma)0,097
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,896
Score d'incertitude au seuil0,548

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1040,097
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0090,010
Études des sciences et des technologies0,0010,002
Communication savante0,0030,003
Science ouverte0,0010,007
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,648
Tête enseignante GPT0,671
Écart entre enseignants0,023 · 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.

Devis d'étudeObservationnel
DomaineMéthodes
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

Citations1
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal for Population Data ScienceMême sujetMedical Coding and Health InformationTravaux en français237 207