An exploratory analysis of SNOMED CT national editions
Notice bibliographique
Résumé
OBJECTIVES: The objectives of this study were to: (1) explore and analyze the structure and content of 19 SNOMED Clinical Terms (SNOMED CT) national editions; (2) identify overlaps and types of quality issues; and (3) offer recommendations to improve the quality of these national editions. MATERIALS AND METHODS: We used expression constraint language and structured query language to analyze and compare the national editions hosted on the SNOMED International SNOMED CT Browser and the International and Canadian Edition Release Format Two files. RESULTS: The 19 national editions authored over 275 000 concepts and over 2.1 million descriptions. Modules were used to organize drug extensions, language translations, patient-friendly descriptions, maps, and subsets. The national editions included 27 languages and dialects reference sets, maps to international, national, and local terminologies, and over 1100 subsets. Since 2012, over 28 000 extensions have been promoted to the International Edition. Overlaps were also identified between national editions. DISCUSSION: Challenges of extensions included inconsistent modeling of concepts and quality issues, versioning and maintenance, and risks to semantic interoperability and data analysis. We suggest improved functionality in authoring tools to identify overlapping content across national editions and the incorporation of auditing methods to ensure high-quality extensions, increased collaboration between countries, and the accelerated harmonization of extensions into the International Edition. CONCLUSION: Nineteen countries have developed over 2.4 million extension concepts and descriptions, and it is important to harmonize the national editions through ongoing collaboration to maintain the integrity and consistency of SNOMED CT as a global reference terminology.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».