Crossing the streams: improving data quality and integration across the One Health genomics continuum with data standards and implementation strategies
Notice bibliographique
Résumé
The Canadian Genomics Research and Development Initiative for Antimicrobial Resistance (GRDI-AMR) uses a genomics-based approach to understand how health care, food production and the environment contribute to the development of antimicrobial resistance. Integrating genomics contextual data streams across the One Health continuum is challenging because of the diversity in data scope, content and structure. To better enable data harmonization for analyses, a contextual data standard was developed. However, development of standards does not guarantee their use. Implementation strategies are critical for putting standards into practice. This work focuses on the development of implementation strategies to better operationalize data standards across the Canadian federal genomics ecosystem. Results include improved understanding of complex data models that can create challenges for existing systems. Technical implementation strategies included spreadsheet-based solutions, new exchange formats, and direct standards integration into new databases. Data curation exercises highlighted common data collection and sharing issues, which informed improved practices and evaluation procedures. These new practices are contributing to improved data quality and sharing within the GRDI-AMR consortium as evidenced by publicly available datasets. The implementation strategies and lessons learned described in this work are generalizable for other standards and can be applied more broadly within other initiatives.
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 | 0,405 | 0,415 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,017 | 0,025 |
| Études des sciences et des technologies | 0,011 | 0,010 |
| Communication savante | 0,033 | 0,034 |
| Science ouverte | 0,012 | 0,030 |
| Intégrité de la recherche | 0,004 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex 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 ».