Enhancing Clinical Data Management Through Barcode Integration and Research Electronic Data Capture: Scalable and Adaptable Implementation Study
Notice bibliographique
Résumé
BACKGROUND: Effective data management is crucial in clinical studies for precise tracking, secure storage, and reliable analysis of samples. Traditional systems often encounter challenges like barcode recognition errors, inadequate data detail, and diminished performance under heavy workloads. OBJECTIVE: This paper aims to enhance clinical data management by improving barcode robustness, increasing data granularity, and boosting system throughput. These improvements address key challenges in barcode informatics systems, as highlighted in prior studies, to better support real clinical applications. Additionally, we aim to validate the design criteria on various gastrointestinal (GI) related studies, ensuring it can be easily integrated into other clinical data management workflows. METHODS: We evaluated the robustness of various barcode technologies under significant blurring conditions, implemented a dynamic organ-specific archive in the REDCap database for various clinical study data collection criteria, and utilized Docker to containerize the informatics software for different studies. Additionally, we proposed a local cache system to reduce interaction times with REDCap for large-scale data records. Experimental setups include assessing barcode recognition accuracy under various levels of image blurring, showcasing different study types managed with the organ-specific archive, and measuring system throughput and response times with and without the proposed local cache system. RESULTS: Our findings demonstrate that the DataMatrix barcode exhibits superior resilience, maintaining high recognition accuracy under blurred conditions. The dynamic organ-specific archive in REDCap enabled precise tracking of sample origins, improving data granularity. Docker containerization streamlines software deployment and ensures consistency across studies. The local cache system significantly reduces interaction times with REDCap, decreasing operating time by nearly eightfold compared to the naïve strategy when handling large patient datasets. CONCLUSIONS: The proposed enhancements significantly improve barcode robustness, data granularity, and system throughput in the informatics system, addressing key limitations identified in previous studies. These optimizations ensure efficient data management and robust support for diverse clinical research needs.
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 | 0,006 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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; 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 ».