Améliorer la surveillance passive des infections associées aux soins de santé au Canada
Bibliographic record
Abstract
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.
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 | 0.026 | 0.092 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.010 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.006 | 0.002 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".