База данных Integrity - ресурс для специалистов в области разработки новых ле...
SS101: Module 3 Russian Translation
1. Синдромный надзор 101 Введение в синдромный надзор для клиницистов и практиков общественного здравоохранения
2.
3. Зачет по курсам повышения квалификации Для получения зачета по непрерывному образованию, слушатели должны полностью ознакомиться с программой, получить минимальный балл 80% по тесту после обучения, и заполнить форму оценки. Сертификаты будут составляться в электронной форме после успешного завершения курса. Для получения доступа к тесту и оценке, а также сертификата, вернитесь на наш веб-страницу .
9. Аномалия в данных Статистическая - Создаваемая компьютерной программой - Данные анализируются и аномалия идентифицируется за пределами предопределенных статистических границ - Эффективная по времени, способная к автоматизации «Пристальный осмотр» - Создаваемая визуальной проверкой данных аналитиком - Распознавание образов , - Основанная на времени и опыте, не автоматическая
10.
11. Аномалия в данных Протокол реагирования АНАЛИТИК Протокол реагирования : КТО : Четко определяет роли и ответственности людей, вовлеченных в реагирование Включает перечень уведомлений ЧТО : Перечисляет действия, ожидаемые исходя из роли КОГДА : Дифференцирует уровни ответственности, исходя из различных сценариев КАК : Определяет «бизнес-правила», связанные с реагированием Следует протестировать и модифицировать по необходимости
12. Аномалия в данных Протокол реагирования АНАЛИТИК Оценить аномалию «Информированность о ситуации» в рамках данной сферы полномочий Другие источники данных Ресурсы Реагирование Оценка перед реагированием
13.
14.
15. Протокол реагирования АНАЛИТИК Другие источники данных Другие синдромные системы - Экстренная медицинская служба (ЭМС) / вызовы 911 - Данные о препаратах, отпускаемых без рецепта / рецептах - Прогулы школы/работы - Другие клинические данные ( напр., амбулаторные, «медсестринские горячие линии» ) Традиционные системы надзора над заболеваниями - Лабораторные отчеты - Текущие расследования вспышек Мониторинг окружающей среды Данные ветеринарные и о дикой природе Аномалия в данных
16. Протокол реагирования АНАЛИТИК Ресурсы Имеется ли в наличии персонал обученный и доступный для расследования ? Сколько времени можно выделить на последующие мероприятия ? Существуют ли конкурирующие приоритеты, которые могут потребовать персонала, компьютеры, и т.д... Аномалия в данных
17.
18.
19.
20. Протокол реагирования АНАЛИТИК Реагирование Уведомление Уведомление ( исходя из уровня реагирования ) Внутренний персонал Поставщики данных Внешние агентства Общественность Аномалия в данных
21. Протокол реагирования АНАЛИТИК Реагирование Уведомление Оценка Оценка и документирование реагирования Оценить эффективность работы и реагирование, и отразить в протоколе реагирования Вести записи того, что было сделано, как это сработало и кто был вовлечен Аномалия в данных
23. Отображение данных/веб-сайты Уиллиам Б. Лобер, магистр медицины, магистр естественных наук Директор, исследовательская группа по клинической информатике Школа общественного здравоохранения и общественных наук Вашингтонского
24.
25.
26.
27.
28.
29.
30. Модуль 3, часть 2 Отображение данных/веб-сайты Уильям Б. Лобер, магистр медицины, магистр естественных наук Директор, Исследовательская группа по клинической информатике Школы медицины, медсестринского дела и общественного здравоохранения Вашингтонского университета
CC – Это Creative Commons (произносится: [krɪ'eɪtɪv 'kɒmənz] [2] [3] [4] , или [5] ['kɔmənz] [6] — «криэ́йтив ка́мэнс» [7] [8] или «ко́мэнс»), сокращённо CC ( [siː siː] — «си-си́») — некоммерческая организация , которая создала бесплатные для использования типовые договоры — свободные и несвободные публичные лицензии , с помощью которых авторы и правообладатели могут выразить свою волю и распространять свои произведения более широко и свободно, а потребители контента более просто и легко пользоваться этими произведениями.
Хотя детали алгоритма реагирования отличаются от места к месту, определенные характеристики зачастую являются общими. Можно воспринять фактическое реагирование, как вложенное в события, которые вызывают реагирование, и в действия, которые предпринимаются после этого. Поэтому, реагированию предшествуют аномалия в данных и аналитик, которые его инициирует, за которыми следуют уведомление, документирование и оценка. Все эти компоненты составляют полный алгоритм реагирования.
В центре каждого реагирования в синдромном надзоре лежит аномалия в данных. Такие аномалии могут представлять или не представлять реальные вспышки интересуемого заболевания. Программа надзора может только выделять данные, которые помещаются в систему и кодируются определенным способом, но она не может определить достоверность подчеркиваемых данных. Следственно, основными функциями работы аналитика являются определение того, что расследовать и как расследовать.
Аномалию в данных можно идентифицировать двумя способами: путем статистического анализа данных или путем «пристального осмотра» данных аналитиком. Большинство, если не все, из систем, используемых сегодня, используют некую форму статистического анализа. Такие системы приводятся в действие компьютерной программой, которая анализирует данные в рамках определенных границ ( например, пространственных или временных ) , а затем определяет, когда в таких данных появились отклонения от нормы. Такие программы и системы, зачастую, автоматизированы и очень эффективны при обработке и визуализации больших объемов данных за кратчайший срок. Однако, достаточно многое можно узнать о данных просто взглянув на них. Метод «пристального осмотра» может быть эффективен при распознавании и идентификации образов в данных, которые иначе могут быть не очевидными. Этот метод полагается на опытного аналитика, которые знаком с данными, и такой процесс отнимает много времени и не автоматизирован. Тем не менее, в случае выявления, аномалии могут только сказать Вам, что в данных присутствует нечто отличное. Нужно ли проводить и каким образом проводить расследовании аномалии – остается отдельным процессом.
Обычно, результаты анализа, сначала, проверяются аналитиком, прикрепленным к системе. Подобно тому, как система надзора обрабатывает данные, работа аналитика заключается в обработке и интерпретации выведенных данных, и попытке отличить реальные и искусственные аномалии. Для наиболее эффективного достижения этого, аналитик должен обладать несколькими полезными умениями. Во первых, знакомы ли они с необработанными данными ? Каковы элементы данных? Как они собираются? Какие собственные характеристики присутствуют в данных, подобно сезонным тенденциям заболеваний ? Во вторых, знакомы ли они с работой системы надзора ? Могут они написать новые программы или перепрограммировать содержание, чтобы среагировать на новую ситуацию ? В третьих, знакомы ли они с характеристиками сферы полномочий самой системы здравоохранения ? Могут они распознать шаблоны использования, вариабельность по дням недели, ожидаемое распределение по возрастным группам и другие шаблоны, используемые в отношении наблюдаемого населения ? Можно понять, что эти навыки вырабатываются с течением времени и по мере работы с данными.
Чтобы помочь аналитикам в их работе, на каждом уровне полномочий должен быть протокол реагирования. Такой протокол должен четко определять кто, что, когда и как реагирует. Кто реагирует, каковы их роли и кого уведомляют ? Какие действия предполагается предпринять ? Когда начинаются меры реагирования ? Как они выполняют свои задачи, и как они оцениваются ? Как и в случае с любым другим протоколом, эти следует регулярно тестировать и модифицировать соответствующим образом .
Теперь, когда у нас есть аномалия, аналитик, проверяющий ее, и протокол реагирования, как управление здравоохранения решает, когда расследовать такую аномалию ? Между выявлением аномалии и началом реагирования системы здравоохранения, существуют несколько шагов, которые аналитик может предпринять, которые мы называем оценкой до реагирования . В целом, такие шаги предназначены для характеристики индекса подозрения, который поможет принять окончательное решение о том, как реагировать. Эти шаги включают : Оценку аномалии - Существуют ли характеристики аномалии , которые могли бы дать больше информации ? Оценка «информированности и ситуации» на местах - Что еще происходит в сфере моих полномочий, и в окружающих территориях ? Оценка других источников данных - Существуют ли другие источники данных, которые подтверждают или опровергают данную аномалию ? Оценка доступных источников - Имеется ли в управлении здравоохранения в наличии персонал способный расследовать аномалию ?
Самый первый шаг в оценке аномалии заключается в оценке достоверности данных . Удостовериться, что наблюдения в аномалии действительно присутствуют, а не вызваны ошибкой кодирования или технической проблемой . Далее, аналитик может начать компилировать данные описательной статистики об аномалии . Насколько тяжелой она выглядит ? Имеет ли место явная кластеризация внутри аномалии вокруг таких переменных, как время, возраст, суб-синдром и география ? И если есть данные о приемах, выглядят ли наблюдения более сложными чем исходные данные ?
Когда у аналитиков будет описание аномалии, они могут собрать информацию из-за пределов их анализа, которая может подкрепить их решение. Имели ли место местные события, которые могли бы вызвать повышенный интерес аналитика, такие как крупные спортивные мероприятия или политические события ? Существуют ли известные, широко распространенные сезонные вспышки болезней, таких как грипп, которые могли бы вызвать меньшую озабоченность аналитика ? И, имеется ли в наличии информация из соседнего города, округа (района) или штата (области), которая может быть связана с тем, что рассматривает аналитик ?
Подобно этому, аналитик может проверить другую информацию, связанную со здравоохранением, и которая может быть доступна в управлении здравоохранения . Такие данные могут поступать из других синдромных систем, таких как ЭМС, фармацевтические данные, данные о прогулах и других источников клинической информации, или они могут поступать из более традиционных источников, таких как лабораторные отчеты, расследования вспышек, данные об окружающей среде и информация о ветеринарных заболеваниях .
Наконец, аналитик должен сохранять равновесие между имеющимися ресурсами и конкурирующими приоритетами в связи с началом расследования аномалии в данных. Есть ли в наличии штат, обученный и способный провести расследование ? Сколько времени займет расследование? Существуют ли конкурирующие приоритеты, которые могут потребовать персонала, компьютеры?
После определения характеристик аномалии и оценки другой информации и доступных источников, управление принимает решение о том, будут ли они реагировать и каким образом . Если нет достаточных данных для гарантии расследования, или если аномалия окажется ложно позитивной, управление здравоохранения может принять решение не предпринимать никаких действий. Если нет достаточных доказательств для гарантии полного расследования, но есть тем не менее опасение (а также ограниченные ресурсы), управление здравоохранения может занять пассивную позицию и подождать, чтобы посмотреть продолжится ли тенденция или аномалия на следующий день. Они также могут продолжить более активно изучать данные из других источников, чтобы проверить можно ли собрать дополнительную информацию, для того, чтобы повысить или уменьшить свои опасения. Наконец, если данные кажутся достаточными для опасений, управление здравоохранения может начать активное расследование. Это может включать связь с поставщиками данных для получения более полной информации, и даже может повлечь проверку исходных документов, таких как медицинские записи или звонки пациентам для их опроса относительно из болезни. Поставщики данных, зачастую, могут интерпретировать данные и помочь исключить ложные опасения.
В зависимости от уровня, интенсивности и результатов расследования, аналитику необходимо уведомить людей различного уровня . В идеале, план уведомления или передачи информации следует разработать и протестировать до начала фактической чрезвычайной ситуации. Далее перечисляются некоторые из лиц или инстанций, которые возможно потребуется включить в протокол реагирования. Внутренний персонал - другие бюро (отделы) и лица внутри управления здравоохранения Поставщики данных - больницы, школы, фельдшеры скорой помощи, и т.п... Внешние агентства - Местные агентства - реагирование на чрезвычайные ситуации - правоохранительные ( в случае реагирования на акт био-терроризма ) - органы охраны окружающей среды - Региональные агентства - государственное управление здравоохранения - Национальные агентства - ЦКЗ Общественность - Выбранные официальные лица - Газеты
Во время и после реагирования на любом уровне, аналитик должен документировать что было сделано, как это было сделано и почему. Эта информация не только важна для обеспечения качества, но и жизненно необходима для других аналитиков (как местных так и других управлений здравоохранения). Более того, любое расследование, которые ведет к реальной вспышке заболевания следует регистрировать, чтобы и другие могли бы извлечь из этого уроки. Это может быть сделано в форме изучения случая, доклада на конференции или статьи в журнале.
Наконец, после окончания, оценки и документирования реагирования , усвоенные уроки и модификации следует внести в протокол реагирования, с целью обеспечения наличия живого и важного документа, который бы помогал, а не мешал реагированию системы здравоохранения на потенциальную вспышку заболевания.
В данном модуле описываются некоторые из методов для осуществления анализов, которые были описаны ранее, а также отображения результатов таких анализов. Анализ данных, традиционно, осуществлялся с использованием статистических программных пакетов, однако, существует ряд примеров интернет-приложений, которые осуществляли автоматизированный анализ и отображение данных. Задачи обучения этого модуля следующие : описать четыре процесса, которые поддерживают системы надзора, вручную или автоматизировано . перечислить преимущества и недостатки интернет-приложений в сравнении с более традиционными методами анализа и отображения данных используя пять систем надзора в качестве примера, понять как классифицировать эти системы, как традиционные, интернет-приложения, или набор инструментов на основе интернета, и получить общее представление об их внешнем виде.
Процессы для поддержки компьютеризированного надзора можно разделить на четыре категории Сбор и управление данными включает процессы, связанные со сбором данных, собираемых специально для целей надзора или, получаемых вторично от данных, полученных в ходе предоставления клинической помощи или других клинических или бизнес операций. Операции, связанные этими процессами, могут включать создание набора данных из источника данных, объединение набора данных, векторное сложение набора данных, выработку данных для моделирования, и конечное хранение или извлечение данных. Кроме того, такие процессы могут включать операции по нормализации формата данных из различных источников. Результат таких процессов, обычно – набор данных, извлекаемых для дальнейшей обработки . Кодирование и классификация набора операций, которая позволяет группировать данные, например в синдромные категории или кластеры, а также считать членов таких категорий . Анализ процессов, который может включать временные ряды или другие временные алгоритмы, пространственные алгоритмы, или пространственно-временные алгоритмы. Такие алгоритмы могут работать с данными, которые были модифицированы посредством кодирования или классификации, или с другими необработанными или нормализованными данными. Результаты любого из этих процессов могут быть отображены с использованием таблиц, графиков, или пространственных методов, а пространственные методы могут включать как географические, так и не географические формы представления.
Традиционные процессы анализа, с использованием SAS, SPSS, R, или подобных статистических процессов, включают ручную или автоматизированную процедуру работы с набором данных в исходном формате пакетов. Сбор данных, как например в формате CSV, или XML, или в любом другом формате, и манипулирование данными так, чтобы их можно было импортировать в статистический пакет, являются частью процесса сбора и управления данными . Зачастую, знание того, как это делать для определенного источника данных, может подразумевать лицо, которое наиболее часто подготавливает такие данные. Еще три процесса, которые поддерживают надзор, обычно, объединяются в ряде ручных процессов для анализа и отображения данных. По мере повторения таких процессов, можно выработать сценарий для их автоматизации . Показательный пример этого – система отчетности ранней аберрации ЦКЗ, которая основана на SAS
Процессы, вовлеченные в сбор, перекодирование, анализ и отображение данных в системе на базе сети Интернет, схожи, однако, имеют тенденцию быть закодированными на языке программирования в виде интернет-приложений, и поэтому, менее вероятно будут соответствовать знаниям аналитика или эпидемиолога . Система на базе сети Интернет также имеет тенденцию к упрощению, или автоматизации и обобщению этих процессов, и поэтому ввиду того, что сеть Интернет по сути распределена, проще одному человеку создать результаты, а кому то еще увидеть их. Это имеет, как преимущества, так и недостатки …
Системы на базе сети Интернет имеют ряд преимуществ в своей способности автоматизировать рутинный сбор и нормализацию данных, синтаксической (изменение формата), или семантической (извлечение или перекодирования значения) . Многие из таких преимуществ связаны с потенциалом автоматизации, включая создание отображения в «приборной панели», или потенциала последовательного отражения данных из различных источников, включая способность создавать стандартизированные выдержки наборов данных, упрощать доступность данных для не экспертов, и обеспечивать доступность данных для нескольких пакетов приложения . Наконец, к компонентам системы на базе сети Интернет можно обращаться независимо в качестве набора инструментов, с которым искушенный пользователь может разработать свою систему . Хотя, у традиционных систем есть значительные преимущества в том, что их пользователи должны быть очень хорош знакомы как с данными, так и с анализом. Это одновременно и преимущество и недостаток – гораздо меньше вероятность того, что пользователи придут к неверным заключениям исходя из плохого понимания данных или процессов, с другой стороны, как данные так и процессы будут доступны гораздо меньшему количеству пользователей. Традиционный анализ также лучше для исследовательского анализа, необходимого для разработки автоматизированных процессов.
Добро пожаловать во вторую часть Модуля 3, Синдромного надзора 101, Меня зовут Билл Лобер, я - преподаватель Вашингтонского Университета В части 1 было представлено введение в модуль, и описаны процесс надзора и элементы реагирования В данной, второй части модуля 3, будет рассказано о методах информационной системы и специфических инструментах для отображения данных, анализа данных, и поддержки надзора и реагирования . Заглавие немного неточное. Несмотря на то, что интернет-страницы по надзору технически являются веб-сайтами, этот термин охватывает гораздо более широкий спектр вопросов, от простого статического отображения информации, до полных интерактивных приложений . Использование веб-технологий для отображения и анализа дынных попадает в последнюю группу – полностью интерактивные приложения, в которых используются веб-платформы для поддержки взаимодействия пользователя, а также для связи, отображения и анализа данных по надзору . Данный модуль предназначен для описания методов, полезных для автоматизированного мониторинга данных по индикаторам. Специальное приложение, описанное в курсе является синдромным надзором данных из управления по чрезвычайным ситуациям, но методы более общие, которые могут быть использованы для мониторинга индикаторных данных временных рядов, независимо от того, поступили ли эти данные из управления по чрезвычайным ситуациям или нет, являются ли эти данные о синдромах или конкретных заболеваниях, или даже имеют ли они вообще отношение к здравоохранению или нет. Поэтому, разговор носит более широкий характер, чем просто надзор за гриппом, как за заболеванием.
В данном модуле описываются методы реализации технологических процессов и анализов, которые были описаны в предыдущих модулях, а также отображения результатов таких анализов. Анализ данных традиционно проводился с использованием статистических программных пакетов, однако, есть ряд примеров интернет-приложений, в которых реализованы автоматический анализ данных и отображения информации. Задачи обучения данного модуля : описать четыре процесса поддержки систем надзора, как ручных, так и автоматических . перечислить преимущества и недостатки интернет-приложений относительно более традиционных методов анализа и отображения данных использовать пять или шесть систем надзора в качестве примеров, понять как классифицировать такие системы, как традиционные, интернет-приложения, или наборы инструментов, основанных на интернет, и получить общее представление об их внешнем виде. Всегда немного рискованно, описывать чьи-то информационные системы, поэтому, будем надеяться, что аудитория будет снисходительна к моим наблюдениям. Но, прежде мы поговорим об общих этапах, используемых для анализа и отображения данных по синдромному надзору, независимо от того, являются ли они традиционными или автоматизированными, основанными на интернете.
Процессы, поддерживающие компьютеризированный надзор можно подразделить на четыре категории Сбор и управление данными включают процессы, связанные со сбором данных, собираемых конкретно для целей надзора, или получаемых вторично из данных, собранных в ходе предоставления клинической помощи или других клинических или деловых мероприятий. Мероприятия, связанные с такими процессами могут включать создание наборов данных, векторное сложение наборов данных, выработку данных для моделирования, и конечное хранение и извлечение данных. Кроме того, такие процессы могут включать операции по нормализации формата, значения данных из разных источников . Результатом таких процессов, обычно, является набор данных, извлекаемый для дальнейшей обработки. Кодирование и классификация являются набором операций, который позволяет группировать данные, например, в синдромные категории или кластеры, а также подсчитывать членов таких категорий. Процессы анализа могут включать временные ряды или другие временные алгоритмы, пространственные алгоритмы, или пространственно-временные алгоритмы. Такие алгоритмы могут работать с данными, которые были модифицированы посредством кодирования, или с необработанными или нормализированными данными. Результаты любых из таких процессов могут быть описаны с использованием таблиц, графиков или пространственных методов, а пространственные методы могут включать, как географические, так не географические формы.
Традиционные системы анализа, использующие SAS, SPSS, R, или подобные статистические процессы, обычно, предусматривают ручную или написанную процедуру управления наборами данных в исходных форматах пакетов . Сбор данных, в таких как форматы CSV или XML, или любых других форматах, и манипулирование данными, чтобы их можно было импортировать в статистический пакет, являются частью процесса сбора и управления данными. Зачастую, знание того, как это делать с определенными источником данных, может подразумеваться, в случае с лицом, которое наиболее часто проводит подготовку данных. Остальные три процесса, которые поддерживают надзор, обычно, идут вместе в серии ручных процессов анализа и отображения данных. По мере повторения этих процессов, могут быть разработаны скрипты для их автоматизации . Хороший пример этого – система отчетности ранней аберрации ЦКЗ, которая основана на SAS , или в более ранней версии, с меньшим набором функций на MS Excel. Этапы связаны, как расписанные процедуры SAS и функции интерфейса пользователя, или как макросы Excel.
Процессы по сбору, перекодированию, анализу и отображению данных в системах, основанных на интернет похожи, однако, они имеют, как правило, кодируются на языке программирования как интернет-приложения. Это имеет, как сильные, так и слабые стороны. Специфические методы и процедуры, скорее всего, определяются программистом, и менее вероятно, будут сохраняться в голове аналитик или эпидемиолога. Это делает процесс надзора более повторяемым и унифицированным между членами персонала и юрисдикциями. Однако, программные приложения, обычно, теряют гибкость или становятся чересчур сложными для пользователя, если они пытаются копировать свободу выбора, эпидемиологу придется использовать статистические пакеты для непосредственного изучения данных. Система основанная на интернете, также предполагает упрощение или автоматизацию и обобщение таких процессов, и поскольку Интернет по сути предусматривает распространение, проще одному лицу создать результаты, а кому то еще их увидеть. Опять же, у этого есть как преимущества, так и недостатки. …
Системы на базе сети Интернет имеют ряд преимуществ в своей способности автоматизировать рутинный сбор и нормализацию данных, синтаксической (изменение формата), или семантической (извлечение или перекодирования значения) . Многие из таких преимуществ связаны с потенциалом автоматизации, включая создание отображения в «приборной панели», или потенциала последовательного отражения данных из различных источников, включая способность создавать стандартизированные выдержки наборов данных, упрощать доступность данных для не экспертов, и обеспечивать доступность данных для нескольких пакетов приложения . Наконец, к компонентам системы на базе сети Интернет можно обращаться независимо в качестве набора инструментов, с которым искушенный пользователь может разработать свою систему . Хотя, у традиционных систем есть значительные преимущества в том, что их пользователи должны быть очень хорош знакомы как с данными, так и с анализом. Это одновременно и преимущество и недостаток – гораздо меньше вероятность того, что пользователи придут к неверным заключениям исходя из плохого понимания данных или процессов, с другой стороны, как данные так и процессы будут доступны гораздо меньшему количеству пользователей. Традиционный анализ также лучше для исследовательского анализа, необходимого для разработки автоматизированных процессов.
Устройство интернет-приложения, независимо от ее функций, обычно, состоит из нескольких независимых компонентов . Интерфейс пользователя доставляется пользователю посредством навигатора Интернета, такой как Internet Explorer, Netscape, Mozilla, Firefox, Safari, и т.п . Навигатор соединяет с интернет-сервером, который обрабатывает запрос от навигатора, и активизирует обработку запросов программой приложения. Наиболее распространенный интернет-сервер IIS ( информационный интернет-сервер ) , который работает только с платформой Microsoft Windows, и Apache , который обычно работает с платформой Linux. Программы приложения могут быть написаны на разных языках, но, в целом, связь с навигатором взывает к деловой логике и связи с базами данных для хранения, извлечения и обработки данных. Тогда как детали могут отличаться, обычно, интернет-сервер, база данных и программа-приложение – индивидуальные, определяемые компоненты.
При проектировании интернет-приложения, необходимо учесть несколько моментов . Существуют стандартные методы обеспечения безопасной, зашифрованной передачи с использованием одного из нескольких стандартных протоколов и алгоритмов шифрования. Эти методы были подробно разработаны в коммерческой сфере для защиты финансовых сделок или другой конфиденциальной информации. Аутентификация – технический термин, обозначающий то, что одна сторона электронной сделки знает, что другая сторона является тем, за кого себя выдает . Имена пользователей и пароли – наиболее стандартные способы обеспечения этого, однако есть и другие методы обеспечения точной идентификации определенного пользователя или компьютера (установленные цифровые сертификаты клиента) . Эти методы могут включать физические компоненты, такие как удостоверение личности, сканирование отпечатков пальцев, сканирование сетчатки глаза, или другие биометрические индикаторы; или, они могут включать электронные подписи, такие как установленные цифровые сертификаты клиента, подобные тем, которые используются в безопасной сети данных ЦКЗ. Однако, одним из важных соображений устройства является понимание не только техники аутентификации, но и вопросов делопроизводства и организации, связанных с определением идентичности, управления аутентификацией для групп пользователей, сочетания методов аутентификации для упрощения технологических процессов для практического пользователя, и избегания ситуации с тысячью паролей и тысячами напоминателей,и поддержки аутентификации пользователя независимо от размеров группы. Данные для такой системы могут быть доступны из единого интегрированного источника, такого как система здравоохранения, или могут потребовать сбора данных из различных, неоднородных и потенциально ненадежных источников. Эти две крайности ведут к важным решениям, касающимся устройства. Алгоритмы могут быть закодированы непосредственно на языке приложения, или приложение может обращаться к SAS, SPSS, R или другим статистическим пакетам для обеспечения поддержки базовых статистических данных. У разных пакетов – разные методы и уровни поддержки этого типа интерфейса. Различные навигаторы могут потребовать различные типы кодирования для поддержки последовательного интерфейса пользователя, в особенности, когда задействованы специфические для данного навигатора, но очень привлекательные функции. Выбор платформы, как платформы операционной системы, так и платформы разработки приложения, очень сложен, и среди разработчиков ПО является почти религией. Организации, зачастую, ограничивают выбор платформы, вводя ограничения в способности использовать специфические или графические пакеты.
Мы представим короткий скриншот или два каждой из этих систем. Однако, мы не будем пытаться всеобъемлюще описать каждую систему, или масштаб и глубину их функций и потенциала. Вместо этого, целью заключается в предоставлении внешнего ознакомления, для получения общего представления, а также некоторых универсальных указателей ресурса или публикаций, в качестве ссылок, для дальнейшего исследования. Система EARS реализована в SAS, и обладает некоторыми функциями управления данных, так же, как и классификацией основной жалобы, анализа кумулятивных сумм и графическим отображением результатов. Это пример очень сложной, основанной на скриптах реализации традиционной инфраструктуры анализа . Другие системы – все системы основанные на интернет, которые варьируются по впечатлению и ощущению от использования. Скриншот каждой представлен, и в целом, все скриншоты показывают результат анализа неких временных рядов.
Historical data
Stratified data
Biosense постоянно меняется, и у меня нет разрешения демонстрировать интерфейс Biosense, но вот примеры некоторых из пользовательских интерфейсов, используемых в данной системе : Графики и таблицы отражают временные ряды, с подвижными скользящими средними и флагами статистическими значительными результатами. Подобно элементам меню слева, могут быть отображены данные из различных юрисдикций и регионов, а также данные могут фильтроваться на разных уровнях.
Эти скриншоты были предоставлены штатом Флорида, и показывают использование системы « ESSENCE » . На экране показаны: Данные с временными рядами Сгруппированные данные по временным рядам Способность запроса базы данных
Отобразить данные в качестве графика В форме карты В форме линейного графика
Это пример пространственных данных. Если я не ошибаюсь с географией, то это пример документации RODS в районе Питсбурга
Наконец, пример немного другого аспекта данных временного ряда. Через RODS можно получить доступ к Национальной системе мониторинга розничных данных, также поддерживаемой лабораторией RODS. Это инвентаризационные данные о розничных продажах из основных сетей аптечной продажи по временным рядам, и считается, что они охватывают озабоченность и самолечение населения.
Переходим к следующей системе, Distribute это … Инфраструктура в Интернете для исследователей Четыре отличительные характеристики .. Будучи таковой, Distribute подходит как моделям, продвигаемым Federal Pandemic и All Haz Prep Act, так и CSTE, обе из которых требуют построения национальных систем федеральными и местными усилиями
Ежедневные или еженедельные данные, сравнения подсчетов ILI , соотношений и общих посещений ED
Прокомментировать графики TERS Кроме того, можно создать специальные графики, сравнивающие коэффициенты и подсчеты ILI или ЖК синдромов между юрисдикциями, разбивать по различным параметрам, загружать и сравнивать определения новых синдромов, и т.д. Эта система использовалась для изучения полезности ILI и ЖК синдромов , а также в проекте по определению ценности стандартного определения синдрома .
Система « gossamer » разрабатывается Вашингтонским университетом
« Gossamer » , хорошая открытая система стандартов для агрегирования, мониторинга и электронной отчетности о данных в здравоохранении – инициатива, направленная на доставку потенциала « distribute » до юрисдикций штата и местных юрисдикций в качестве открытого источника, с возможностью простого размещения и поддержки программных продуктов. Веб-сайт содержит информацию о …
Наконец, у меня есть несколько слайдов по системе « Shoki » - проект для …
![Синдромный надзор 101 ,[object Object],[object Object],[object Object],[object Object]](data:image/gif;base64,R0lGODlhAQABAIAAAAAAAP///yH5BAEAAAAALAAAAAABAAEAAAIBRAA7)