Recommandations sur le nettoyage minimal des données pour l’élaboration de rapports sur la surveillance en prévention et contrôle des infections en soins de courte durée : une solution pour la règle « garbage in, garbage out »
Bibliographic record
Abstract
Contexte : La surveillance des résultats est une composante importante des programmes de prévention et contrôle des infections (PCI), qui permet d'orienter les décisions en matière de soins de santé.Il est essentiel que les données communiquées soient de la plus haute qualité.Il est donc important d'examiner l'exhaustivité, l'exactitude et le caractère opportun des données afin de réduire les incohérences.Toutefois, de nombreux professionnels de PCI n'ont pas été formés aux activités de nettoyage ou de validation de la qualité des données.Méthodes : Des épidémiologistes experts de tout le Canada ont créé un guide des pratiques exemplaires pour les activités de validation de la qualité des données afin de fournir suffisamment de détails pour améliorer cette activité importante pour la sécurité des patients.La plupart de ces activités sont de simples contrôles visant à vérifier l'exactitude des données sans nécessiter d'examen supplémentaire du dossier du patient ou de couplage avec d'autres ensembles de données.Résultats : Sur la base d'un consensus entre les experts en surveillance des différentes administrations, des recommandations globales sur la qualité des données dans les programmes de surveillance en PCI ont été élaborées pour améliorer l'exhaustivité (22 %), la précision (68 %) et le caractère opportun (10 %) des données.Conclusion : La liste des activités de validation de la qualité des données peut être utilisée dans le cadre des activités de surveillance en PCI au Canada afin de soutenir ou d'améliorer les activités de validation de la qualité des données de surveillance existantes pour les programmes de PCI.
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 | 0.355 | 0.634 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.004 | 0.006 |
| Bibliometrics | 0.015 | 0.008 |
| Science and technology studies | 0.005 | 0.007 |
| Scholarly communication | 0.018 | 0.011 |
| Open science | 0.008 | 0.008 |
| Research integrity | 0.009 | 0.011 |
| Insufficient payload (model declined to judge) | 0.008 | 0.004 |
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; the direct Gemma label and the distilled Codex classifier agree on what is shown here.
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".