Semantic enrichment of Pomeranian health study data using LOINC and WHO-FIC terminology mapping principles
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Objective: To semantically enrich the laboratory data dictionary of the Study of Health in Pomerania (SHIP), a population-based cohort study, with LOINC to achieve better compliance with the FAIR principles for data stewardship. Materials and Methods: We employed a workflow that maps codes from the SHIP-START-4 laboratory data dictionary to LOINC codes following the terminology mapping principles and best practices recommended by the World Health Organization Family of International Classifications (WHO-FIC) Network. Results: We were able to annotate 71 out of 72 (98.6%) of the source codes in the SHIP-START-4 laboratory data dictionary with LOINC codes. 32 source codes were mapped to a single LOINC code (cardinality 1:1) and 39 resulted in a complex mapping. All of the successful mappings are equivalent (=) matches. Discussion: We increased the FAIRness of the SHIP laboratory data dictionary by semantically enriching laboratory items with links to an accessible, established, and machine-readable language for knowledge representation (LOINC). Our mapping improves semantic data retrieval and integration. However, not all clinically and significantly relevant data are included in the LOINC code. Therefore, these missing aspects have to be considered in data interpretation as well. Conclusion: Semantically enriching the SHIP-START-4 laboratory data dictionary has contributed to its improved data interoperability and reuse. We recommend that data owners and standardization experts collaboratively perform annotations before data collection starts instead of doing this retrospectively. These experiences may inform the development of standard operating procedures for annotating data dictionaries developed for other population-based cohort studies.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| 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 découle