返回
Connecting data science and translational simulation
DOI:10.1186/s41077-026-00410-5.png)
摘要
En 中文
转化模拟旨在探索和改进医疗保健系统及绩效。但这一潜力只有在模拟活动能产生可操作见解、并采用高效且具有成本效益的方法时才能实现。需要稳健的数据策略,涵盖既定的质量改进(QI)框架以及人工智能的最新应用。数据收集、分析和呈现是模拟用于质量改进的主要功能。这要求转化模拟从业者采用严谨的数据科学应用,以使其诊断和干预模拟转化为医疗质量与安全方面的具体收益。本文分为三部分。首先,我回顾了QI中的当代数据科学原则以及新兴的数据捕获、综合和定制化成果传播能力。其次,我通过源自文献的案例简述阐明这些原则。最后,我将这些经验整合以扩展Nickson的输入-过程-输出(Input–Process–Output)模型,为转化模拟计划的数据策略开发提供指导。通过将严谨的数据导向融入基础IPO框架,我主张转化模拟能够更好地实现其潜力。
Keyword:
Translational simulation
Data science
Healthcare quality improvement
AI总结
对已上传原文的论文进行重点信息的提取,主要内容包括:简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
A
IF:
4.7
论文数:
122
被引数:
1.1K
机构
引用论文
Re-Thinking Data Strategy and Integration for Artificial Intelligence: Concepts, Opportunities, and Challenges重新思考人工智能的数据策略和集成: 概念,机遇和挑战
SAFEE: A Debriefing Tool to Identify Latent Conditions in Simulation-based Hospital Design TestingSAFEE:一种用于识别模拟医院设计测试中潜在条件的回顾工具
Readiness planning: how to go beyond “buy-in” to achieve curricular success and front-line performance准备规划:如何超越认可以实现课程成功和一线绩效
‘Everybody’s voice is important’: using translational simulation as a component of change management“每个人的声音都很重要”:将转化模拟作为变革管理的一个组成部分

