The performance of machine learning algorithm in surgical site infections case identification and prediction, a systematic review protocol (Addendum of DOI: 10.17605/OSF.IO/F8ERZ)
Notice bibliographique
Résumé
Surgical site infections (SSI) are the most frequent reported healthcare associated infection among surgical patients[1, 2]. Annually, a total of 1.3 million operative procedures were performed in Canada, 2-5% of the patients acquired SSI[3, 4]. The cost associated with SSI are estimated up to $1 million each year in Canada[3]. The length of hospital stay was prolonged by an average of 11 days due to SSI, and the readmission rate for patients who experienced SSI are five times higher than the patient who did not experience SSI[3, 5]. Detecting SSI is an essential step of infection prevention and control programs to further develop quality initiatives to decrease the infection rates. Traditional methods of SSI case identification often require extensive human resources and time-consuming[6]. Machine learning (ML) algorithm which leveraging the enrich text data documented in electronic medical record (EMR) have been applied in SSI case identification and prediction[7-11], yet its effectiveness was not summarized. To close this knowledge gap, we will conduct a systematic review to scan the literature evidence of ML algorithm applied in SSI case identification/ prediction to summarize its overall performance.
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 | 0,025 | 0,058 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,008 | 0,008 |
| Bibliométrie | 0,008 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,057 | 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 ».