Bibliographic record
Abstract
Tämän opinnäytetyön aiheena on erilaiset lääkinnällisten laitteiden nomenklatuurit eli laitenimikkeistöt. Aihe saatiin HUSin Lääkintätekniikasta. HUS Lääkintätekniikan on tarkoitus ottaa vuoden 2024 alkupuolella käyttöön uusi toiminnanohjausjärjestelmä. Toiminnanohjausjärjestelmässä olevasta nykyisestä lääkinnällisten laitteiden nimikkeistöstä haluttaisiin luopua ja ottaa käyttöön EMDN (European Medical Device Nomenclature). Käyttöönotto ei Eudamedin (European Database on Medical Devices) puutteellisuuden vuoksi ole vielä ajankohtaista. Opinnäytetyön tavoitteena oli nimikkeistöihin perehtymisen lisäksi tutkia Eudamedin tilannetta ja saada tehtyä suunnitelma siitä, miten HUSin Lääkintätekniikka voi ottaa käyttöön uuden lääkinnällisten laitteiden nimikkeistön. \n \nMenetelminä opinnäytetyössä hyödynnettiin Gap-analyysiä ja tiedonhakua. Gap-analyysillä muodostettiin työlle rakennetta tutustumalla ensin Lääkintätekniikan nykyiseen tilanteeseen laitenimikkeistöjen osalta. Tämän jälkeen esiteltiin tavoitetilaa. Nyky- ja tavoitetilan väliltä tunnistettiin puutteita, joiden korjaamiseksi luotiin lopuksi suunnitelma. \n \nOpinnäytetyössä tarkasteltiin erilaisten nimikkeistöjen rakenteita ja vertailtiin muun muassa niiden laajuutta, koodin rakennetta ja jaottelua. Yhteneviä piirteitä löydettiin, vaikka jokainen nimikkeistö eroaa muista omanlaisenaan. Opinnäytetyön avulla selvitettiin, että Eudamedin moduulit ovat toimintavalmiita vuoden 2024 alkupuolella. Kuitenkin vasta vuonna 2026 laitteiden rekisteröinti Eudamediin olisi EU:n jäsenvaltioille pakollista. Koska Eudamedin valmistumiseen on aikaa, eikä siksi kaikkien laitteiden EMDN-koodeja voida vielä tietää, päädyttiin opinnäytetyössä luomaan suunnitelma, jossa HUSin Lääkintätekniikka alkaisi keräämään laitteiden EMDN-koodeja varataulukkoon. Varataulukon avulla siirtyminen tapahtuisi ensin toiminnanohjausjärjestelmän ulkopuolella, ja uusi nimikkeistö otettaisiin käyttöön, kun taulukkoon on kirjattu riittävä määrä EMDN-koodeja.
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 | 0.009 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.005 | 0.004 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.110 | 0.046 |
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".