Share Seamlessly, Steal Shamelessly: Unlocking the Learning Health Network Ethos in Pediatric Liver Transplantation
Notice bibliographique
Résumé
BACKGROUND: Pediatric liver transplant is a life-saving procedure, but risks remain for children in the pre-, peri-, and post-transplant period-impacting survival, graft, and child health, and quality of life. Learning health networks offer a structure that multi-disciplinary teams across many centers can use to collaborate on improving outcomes for children with rare diseases-with a mantra of "sharing seamlessly" to coordinate across centers and "stealing shamelessly" from best practices within or outside of the network. METHODS: We describe the development of the Starzl Network for Excellence in Pediatric Transplantation (SNEPT) as a learning health network dedicated to improving health and quality of life for children with liver transplants and their families. RESULTS: SNEPT was founded in 2017 as a collaborative effort between pediatric liver transplant centers and the families that they serve, initially at 10 and then 16 centers across the US and Canada. Stakeholders identified four priority projects: Peri-Operative and Surgical Practices, Optimizing Immunosuppression, Quality of Life, and Transition of Care. Over the last 8 years, we built SNEPT infrastructure to efficiently support work on each project. Our four working groups each developed methods to improve practice by sharing protocols, data, and experience between centers and adapting best-practice strategies from other centers for efficient improvement. CONCLUSIONS: Coordination as a learning health network has improved transparency and enhanced collaboration between SNEPT centers, creating opportunities for best-practices development and better outcomes in pediatric liver transplant.
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 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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».