Améliorer la surveillance passive des infections associées aux soins de santé au Canada
Notice bibliographique
Résumé
Les infections associées aux soins de santé (IASS), ou infections nosocomiales, sont les effets indésirables les plus fréquemment signalés dans le monde, affectant environ 1 patient hospitalisé sur 31 chaque jour selon le Centre pour le contrôle et la prévention des maladies (CDC). La surveillance permet de mesurer, prévenir et contrôler ces infections. Toutefois, elle se doit d’être renforcée au Canada. L’objectif principal de ce projet est d’améliorer la surveillance passive des IASS au Canada en élaborant une stratégie visant à réduire l’écart entre les données de surveillance active et les données administratives, en plus de comprendre les facteurs qui expliquent cet écart. Ce mémoire présente trois articles et les résultats d’un groupe de travail qui ont chacun des objectifs rattachés au but global du mémoire. En premier lieu, une revue de la littérature vise à évaluer la validité des données administratives en comparaison aux données de surveillance active, qui sont la référence pour la surveillance des IASS. Cet article identifie les divergences entre les deux types de surveillance et démontre que la surveillance passive n’offre pas de données assez précises pour être comparables à celles de la surveillance active. Le deuxième article a pour objectif d’identifier les barrières et les facilitateurs de l’utilisation des données administratives pour la surveillance, avec un focus sur les IASS au Canada. Il analyse et met en évidence 120 barrières et facilitateurs, dont la majorité concerne la qualité des données, et identifie diverses solutions pour contrer ces barrières. Un troisième article et un groupe de travail examinent une solution pour améliorer la qualité des données codées par le département des archives médicales, soit d’utiliser les données de surveillance active en combinaison avec les dossiers médicaux pour coder les IASS. L’article évalue la validité de cette solution sur deux types d’IASS et démontre l’efficacité de cette solution. Le groupe de travail évalue les barrières et facilitateurs de cette solution et travaille sur des recommandations pour la mettre en place. Ces trois études, en plus du groupe de travail, permettent de constater qu’il y a de nombreuses barrières à l’utilisation des données administratives pour la surveillance des IASS, en particulier concernant la qualité des données, mais qu’il existe des solutions prometteuses.
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 | 0,026 | 0,092 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,010 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».