L’informatique pour améliorer les soins infirmiers : le pouvoir inexploité des données collectées par le personnel infirmier
Bibliographic record
Abstract
Dans le domaine des soins de santé, la collecte de données revêt une importance capitale pour guider les décisions cliniques, la planification des ressources et le suivi de l’efficacité des soins. Le Système canadien d’information de gestion des départements d’urgence (SIGDU) et l’Échelle canadienne de triage et de gravité pour les départements d’urgence (ÉTG) sont les principaux outils utilisés pour collecter ces données. Malgré le fait que les infirmières des urgences se servent de ces outils tous les jours pour recueillir des données utiles sur les patients et les soins de santé, on ignore la compréhension qu’elles ont de l’objectif et de l’incidence de cette collecte de données. À cause de leur connaissance limitée de l’informatique et de leur faible représentation dans la recherche et les initiatives stratégiques du domaine des technologies de l’information et de la communication (TIC), les infirmières des urgences risquent de ne pas tirer pleinement profit des avantages de la technologie. L’Association nationale des infirmières et infirmiers d’urgence (ou NENA, pour National Emergency Nurses Association) est bien placée pour exercer le leadership nécessaire afin que les infirmières ne soient pas seulement chargées de recueillir les données, mais qu’elles sachent aussi les utiliser en maximisant leur capacité à faire progresser la pratique des soins infirmiers d’urgence grâce à l’informatique.
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 | 0.025 | 0.097 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.007 | 0.010 |
| Science and technology studies | 0.004 | 0.004 |
| Scholarly communication | 0.015 | 0.016 |
| Open science | 0.003 | 0.007 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.013 | 0.005 |
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".