Innovations in Data-Driven Approaches to Improve Sepsis Care for Children in Low-Resource Settings (presentations) ~ QI
Notice bibliographique
Résumé
In November 2022, the Centre for International Child Health (CICH) at BC Children's Hospital brought together leading young researchers at the 2022 American Society for Tropical Medicine and Hygiene Annual Meeting to share their work developing leveraging frugal digital technology and data-driven vulnerability prediction to improve care across different points of a critically-ill child’s journey. Panelists described development and validation of risk prediction models, highlighting how such models can guide targeted, affordable interventions. Attendees had a chance to learn how practical and affordable digital technology equipped with clinical algorithms can support health workers with identifying, treating, and following-up high-risk children, improving outcomes within health facilities and at home, and the role of promising new host and pathogen biomarkers in enhancing the predictive capability of prognostic models. Speakers: Arjun Chandna: Risk stratification of pediatric febrile illness to inform effective community management and earlier referral to higher-level care. Samuel Akech: Smart Triage, a prediction-based facility quality improvement program for critically ill children. Teresa Kortz: Point-of-care biomarkers for mortality risk stratification in pediatric severe febrile illness; using next-generation sequencing for etiology of severe febrile illness Matthew Wiens: Smart Discharges, post-discharge interventions based on the risk of post-discharge mortality.
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 | 0,046 | 0,085 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,009 | 0,010 |
| Science ouverte | 0,005 | 0,010 |
| Intégrité de la recherche | 0,004 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,006 |
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 ».