A Data Dashboard for Informed Healthcare Decisions
Notice bibliographique
Résumé
In recent years, public health surveillance systems have played an important role in tracking health trends, detecting outbreaks early, and protecting communities. With a vast amount of available data, effective visualization tools can simplify the identification of patterns and trends, empowering healthcare specialists to make informed decisions. Our work focuses on developing a comprehensive pandemic surveillance dashboard tailored for healthcare specialists. The dashboard leverages multiple data sources, including wastewater surveillance data, public health data from the Public Health Ontario, Google News for recent news on respiratory diseases, and sentiment analysis of social media engagement on COVID-19 topics in Ontario. These diverse datasets provide a multifaceted perspective on the pandemic's progression. We implemented the dashboard using Power BI to automate data visualization and enable users to explore trends through interactive charts and real-time updates. This tool aims to assist healthcare specialists in monitoring outbreaks, evaluating the impact of interventions, and predicting potential surges in cases. Future studies will focus on correlating trends observed across datasets, such as linking wastewater viral loads with public health metrics and analyzing sentiment analysis data for early outbreak indicators. These efforts aim to further enhance the dashboard's predictive capabilities and its role in pandemic preparedness. By integrating data from multiple sources and presenting them in an intuitive format, this dashboard serves as a vital tool for public health professionals in their ongoing fight against respiratory pandemics.
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 | 0,022 | 0,075 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,019 | 0,019 |
| Science ouverte | 0,004 | 0,011 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,032 | 0,010 |
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 ».