Health Exposure Records and Occupations (HERO) Summary: Development of Occupational Exposure Summary for clinical utility in Military Populations
Notice bibliographique
Résumé
Abstract Introduction Military exposure summarization is critical for Veterans with complex environmental, occupational, or toxic exposures. Existing methods are limited by technical language, incompatible data formats, and difficulty in prioritizing information. Clinicians require concise, standardized, and easily interpretable exposure summaries to facilitate rapid assessment. This report is part of a broader programmatic effort to collate military exposure information from established, as well as new sources of data to improve VA exposure-informed healthcare. Methods In a collaborative effort, VA clinicians from multiple specialties participated in a structured clinical needs assessment interview to identify the most clinically useful information to be included in the Health Exposure Records and Occupations (HERO) summary. The interviews covered summary length, exposure prioritization, demographics, military occupational history, features characterizing exposure, resilience factors, health outcomes, and impact on clinical practice. Results Consensus recommendations prescribed a concise summary with clear language, basic military demographics, and critical military exposures that prioritize exposures that require further investigation. Based on recommendations, the HERO summary also includes types of exposure, proximity, route, symptoms at the time of exposure, exposure period, duration, frequency, and protective controls used. Conclusion This perspective piece not only assesses the clinical need for exposure summarization and the optimal format for the HERO summary, but also highlights its potential impact. The HERO summary, as a tool, offers improved time efficiency, consistency in exposure-informed care across the VA, enhances communication between Veterans and providers, and improves understanding of the association between military exposures and health outcomes, potentially transforming the VA healthcare system.
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 | 0,024 | 0,102 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,004 |
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 ».