Minimum data cleaning recommendations for infection prevention and control acute care surveillance reporting: A solution for "garbage in, garbage out"
Notice bibliographique
Résumé
Background: Outcome surveillance is an important component of infection prevention and control (IPAC) programs to guide healthcare decisions. It is crucial that the reported data are of the highest quality. Reviewing completeness, accuracy and timeliness of the data is important to reduce data inconsistencies. However, many IPAC staff do not have training in data cleaning or data quality activities. Methods: Expert epidemiologists across Canada have created best practice guidance for data quality activities to provide sufficient detail to improve this important patient safety activity. Most of these activities are simple checks to review the accuracy of the data without requiring additional review of the patient record or linkage to other datasets. Results: Based on consensus by surveillance experts across jurisdictions, comprehensive recommendations for data quality in IPAC surveillance programs were developed to improve completeness (22%), accuracy (68%), and timeliness (10%) of the data. Conclusion: The data quality activities list may be used in Canadian IPAC surveillance activities to support or improve existing surveillance data quality activities for IPAC programs.
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 | 0,235 | 0,383 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,013 | 0,010 |
| Études des sciences et des technologies | 0,007 | 0,003 |
| Communication savante | 0,008 | 0,005 |
| Science ouverte | 0,014 | 0,008 |
| Intégrité de la recherche | 0,004 | 0,010 |
| 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 ».