Creating a Data Cleaning and Pre-Processing Module for Generalisable Data Linkage
Notice bibliographique
Résumé
ObjectiveAcute renal replacement therapy (RRT) is an important life saving technology used in critical care. However, variation in clinical practice for initiation and maintenance of RRT can increase healthcare costs and worsen patient outcomes. In Alberta, Canada, a province-wide electronic health record provides a unique opportunity to measure and evaluate clinical practice. The present study aims to improve the quality of RRT delivery in Alberta critical care units by providing feedback on key performance indicators (KPIs) for RRT based on current evidence. ApproachKPIs for RRT included an initiation pathway based on threshold lab values, and measures of RRT quality such as the time from order to treatment initiation, the average life of dialysis filters, and the actual vs. prescribed fluid removal. Clinical KPI definitions were mapped to data available in the electronic health record to evaluate current practice and track changes in KPIs over time. ResultsMapping the clinical guidelines to the electronic health record took significant time and effort in a large team with expertise on both the data and clinical sides. Each KPI data definition went through several cycles of development, validation and refinement before being included in the dashboards and reports given to participating sites. ConclusionsProviding accurate data on RRT ordering and delivery practices is an important step in aligning acute RRT delivery with current best practice, ultimately improving the quality of care and reducing unnecessary costs. ImplicationsElectronic health records provide a powerful tool for evaluating clinical decisions and implementing best practice guidelines.
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 | 0,019 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,009 | 0,021 |
| Science ouverte | 0,012 | 0,007 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».