Developing a Pressure Injury Predictive Indicator System for Data Mining in Health Care Information Systems: A Sequential Mixed-Methods Study
Notice bibliographique
Résumé
OBJECTIVE: Prevalence of hospital-acquired pressure injury (PI), as a critical measurement of medical care quality, has shown an upward trend. The aim of this study was to determine the predictive indicators of potential PIs and ensure that the predictive indicators can automatically be mined from electronic medical record systems. METHODS: The methods include 2 parts. One is the modified Delphi for indicator development, including clinical health care provider interviews, literature review, research group meetings, and Delphi survey. The other is feature selection, including extracting indicators from the health care information system (HIS) by structured query language and selecting indicators using the Random Forest technique. RESULTS: A predictive indicator system (with feature extraction rules for each indicator) consisting of 3 categories and 14 indicators was constructed. The experts' consensus was reached on all indicators (mean=4.28±0.65 to 4.94±0.23; coefficient of variation=4.63% to 17.20%; agreement rate=83.30% to 100.00%). The agreement between manual extraction and the computer's automatic extraction was good, with a Cohen κ score of 0.64 to 1.00. The accuracy of the good parsimonious prediction model was 95.26%. CONCLUSIONS: This predictive indicator system is prepared for automatic PI prediction in the HIS. Many revisions should be conducted in further studies and practices in a real-life medical environment.
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 | 0,095 | 0,116 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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; 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 ».