Aplicativo móvil para la gestión del historial médico de pacientes
Bibliographic record
Abstract
Con el interés de optimizar los procesos de la información, asociados al tratamiento de los pacientes y solucionar las insuficiencias de los procedimientos incorrectos y los modos de gestión que imposibilitaban un servicio pleno de atención a los pacientes. Los procesos de gestión que se maneja dentro de la clínica son llevados de manera dinámica e interactiva. El sistema es multiplataforma, y su utilización es mediante un dominio previamente definido por las personas autorizadas, la seguridad y privacidad de la información está a cargo de cada miembro de la clínica ya que posee un usuario y clave para su ingreso. Los registros de datos estarán compuestos de la siguiente manera como: Medico, paciente, enfermeras, especializaciones del médico, registro de exámenes, medicamentos, historial del paciente y horarios para revisión del paciente. En la presente investigación se especifica cómo implementar un aplicativo móvil que permite gestionar el proceso de fichas médicas del paciente en la clínica Santa Cecilia dentro del departamento de tecnologías. Se aplicó la encuesta con el propósito de determinar si es factible la implementación del aplicativo móvil. La metodología utilizada fue la Mobile-D debido a que esta se ajusta al proyecto de desarrollo ágil con sus fases respectivas. Como resultado se puede especificar que el aplicativo móvil fue favorable para un mejor proceso del manejo de la información dentro de la clínica.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.011 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.013 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".