DermaDashboard: Bridging the Gap Between FHIR Standards and Clinical Usability
Notice bibliographique
Résumé
Unlabelled: Over the past decade, Fast Healthcare Interoperability Resources (FHIR) have become increasingly relevant in health care data standardization. However, the complex structure of FHIR makes cohort analytics with many-to-many relations extremely time-consuming, and, impossible in many cases. To support exploratory cohort building and data visualization in oncology, especially for nontechnical users, we developed the DermaDashboard, an interactive dashboard built on top of a relational FHIR-compliant PostgreSQL database. Relevant oncology data was preaggregated with a materialized view, and the subsequent visualization layer was implemented using an open-source visualization tool, enabling clinicians to filter and analyze data without requiring familiarity with FHIR or SQL. The database encompassed data from 3949 patients with melanoma and included 82,783 health records. Core FHIR resources were Patient, DiagnosticReport, and QuestionnaireResponse, with 54 mapped attributes spanning demographics, stagings, mutations, and treatments. The resulting dashboard allowed filtering across 29 variables to construct subcohorts and generate aggregation analyses. This implementation shows how open interoperability data standards, such as FHIR, can be used in the development of modular, user-friendly clinical dashboards for cohort analysis, and the architecture demonstrates a feasible path toward democratizing access to structured health care data.
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 | 0,140 | 0,273 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,015 | 0,009 |
| Science ouverte | 0,005 | 0,014 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,004 |
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 ».