Your email was sent successfully. Check your inbox.

An error occurred while sending the email. Please try again.

Proceed reservation?

Export
Filter
  • Datenmonitoring  (2)
  • Ambulante Geriatrische Komplexbehandlung  (1)
  • Implementation, training and evaluation
  • 2015-2019  (4)
Collection
Language
Years
  • 2015-2019  (4)
Year
  • 1
    facet.materialart.
    Unknown
    German Medical Science GMS Publishing House; Düsseldorf
    In:  50. Kongress für Allgemeinmedizin und Familienmedizin; 20160929-20161001; Frankfurt am Main; DOC16degam167 /20160919/
    Publication Date: 2016-09-19
    Keywords: Ambulante Geriatrische Komplexbehandlung ; Prävention ; Selbstständigkeit ; ddc: 610
    Language: German
    Type: conferenceObject
    Signatur Availability
    BibTip Others were also interested in ...
  • 2
    facet.materialart.
    Unknown
    German Medical Science GMS Publishing House; Düsseldorf
    In:  HEC 2016: Health - Exploring Complexity; Joint Conference of GMDS, DGEpi, IEA-EEF, EFMI; 20160828-20160902; München; DOCAbstr. 644 /20160808/
    Publication Date: 2016-08-11
    Keywords: Implementation, training and evaluation ; ddc: 610
    Language: German
    Type: conferenceObject
    Signatur Availability
    BibTip Others were also interested in ...
  • 3
    facet.materialart.
    Unknown
    German Medical Science GMS Publishing House; Düsseldorf
    In:  GMS Medizinische Informatik, Biometrie und Epidemiologie; VOL: 15; DOC08 /20191108/
    Publication Date: 2019-11-09
    Description: High data quality is fundamental for valid inferences in health research. Metadata, i.e. "data that describe other data", are essential to implement data quality assessments but more guidance on which metadata to use is needed. Similarly, the selection and use of variables describing the measurement process should be exemplified to improve the design and conduct of observational health studies. This work provides a conceptual framework and overview of metadata and process information for systematic data quality reports based on implementations within the population-based cohort Study of Health in Pomerania (SHIP). In previous years, a prerequisite for automated data quality checks has been established by the augmentation of the data dictionary; the added information of up to 20 different characteristics for each variable is used for data quality assessments and triggers diverse data quality checks. Conceptually we distinguish static metadata, variable metadata, and process variables. Examples for static metadata are the expected probability distribution, plausibility limits, and the data type. Variable metadata may be reference limits of a laboratory marker. Information inherent to these metadata allows for the detection of data quality flaws by comparing observed with expected data characteristics. In contrast, process variables, such as the observer or device ID, also allow for the identification of sources of data quality issues. This is the case even if characteristics defined in metadata were not violated. Metadata and process variables can be used alone or in combination to implement a versatile and efficient data quality assessment. A comprehensive setup of metadata and process variables is an extensive task, particularly in studies involving large data collections. Nonetheless, the gain in transparency and efficacy of data curation and quality reporting after this setup is considerable.
    Description: Eine hohe Datenqualität ist eine wesentliche Voraussetzung für valide Entscheidungen in der Gesundheitsforschung. Metadaten bzw. "Daten über andere Daten" sind für die Implementierung eines Datenqualitätsmonitorings essentiell. Klare Empfehlungen und Benennungen von Metadaten für spezifische Aspekte von Datenqualität werden in relevanter Literatur jedoch nicht gegeben. Gleichfalls ist nicht klar, welche Informationen über den datengenerierenden Prozess gesammelt werden sollten, um Studiendesign und -durchführung zu verbessern. In dieser Arbeit wird unter konzeptioneller Perspektive ein Überblick zu Metadaten und Prozessinformationen gegeben, welche in der Kohortenstudie Study of Health in Pomerania (SHIP) verwendet werden. Zurückliegend wurde in SHIP das allgemein gebräuchliche Data Dictionary um Informationen erweitert, welche für Datenqualitätsbewertungen verwendet werden und diese auch steuern können; bis zu 20 unterschiedliche Charakteristika von Variablen können spezifiziert werden. Konzeptionell werden hierfür statische von variablen Metadaten sowie Prozessvariablen unterschieden. Zum Beispiel sind die Verteilungsform, Plausibilitäts- und Zulässigkeitsgrenzen sowie der Dateneingabetyp statische Metadaten. Variierende Referenzgrenzen von z.B. Laborparametern werden als variable Metadaten betrachtet. Diese Information erlaubt die Identifizierung von Beeinträchtigungen der Datenqualität durch einen Vergleich von beobachteten und erwarteten Charakteristika der Daten. Prozessvariablen wie die ID des Untersuchers oder des Messgeräts erlauben hingegen die Identifikation von möglichen Quellen für Fehler, selbst wenn keine Metadaten verletzt wurden. Metadaten und Prozessvariablen können jeweils allein oder in Kombination verwendet werden, um vielseitige und effiziente Qualitätsbewertungen umzusetzen. Die Erstellung notwendiger Metadaten und die Definition von Prozessvariablen bedeuten einen erheblichen Aufwand, insbesondere für größere Studien. Der Zugewinn an Transparenz und Effektivität bei der Qualitätsberichterstellung ist jedoch erheblich.
    Keywords: data quality ; metadata ; process variables ; data monitoring ; health research ; cohort studies ; Datenqualität ; Metadaten ; Prozessvariablen ; Datenmonitoring ; Gesundheitsforschung ; Kohortenstudien ; ddc: 610
    Language: English
    Type: article , info:eu-repo/semantics/article
    Signatur Availability
    BibTip Others were also interested in ...
  • 4
    facet.materialart.
    Unknown
    German Medical Science GMS Publishing House; Düsseldorf
    In:  GMS Medizinische Informatik, Biometrie und Epidemiologie; VOL: 15; DOC09 /20191206/
    Publication Date: 2019-12-07
    Description: High data quality is a precondition for valid scientific conclusions. Indicators should therefore routinely be used to evaluate data quality within the life cycle of health studies. In this project, 15 representatives of seven German population-based cohort studies assessed 51 quality indicators that were proposed in a guideline for networked medical research. The applicability of the indicators to primary data collections was assessed. In addition, their importance was evaluated using a scale ranging from 1 (essential) to 4 (not important). Moreover, their implementation in data quality assessments in the participating studies was evaluated. Comments on potential improvements could be made. Forty-three indicators were rated as applicable. Of these, 29 received a mean importance score of 2 (important) or better, nine received a mean importance score of 1.5 or better. The latter represent a potential core set of data quality indicators for cohort studies. Most indicators that were rated as highly important were used in data quality assessments of the participating studies. Points of criticism regarding the guideline related to its structure and the understandability of some indicators. It was concluded that further improvement of the data quality indicator set will increase its usefulness and applicability in primary data collections. In practice, a small subset of data quality indicators may suffice to capture the most important aspects of data quality in cohort studies.
    Description: Eine hohe Datenqualität ist wesentlich für valide wissenschaftliche Schlussfolgerungen. Indikatoren sollten daher routinemäßig angewendet werden, um die Datenqualität innerhalb des Lebenszyklus von Gesundheitsstudien zu beurteilen. In dem hier beschriebenen Projekt haben 15 Vertreter von sieben bevölkerungsbezogenen Kohortenstudien in Deutschland 51 Qualitätsindikatoren bewertet, die im Rahmen einer deutschen Leitlinie für die vernetzte medizinische Forschung vorgeschlagen wurden. Die Evaluation betraf die Anwendbarkeit der Indikatoren für primäre Datenerhebungen, deren Wichtigkeit auf einer Skala von 1 (essentiell) bis 4 (nicht wichtig) sowie deren Implementation in den teilnehmenden Kohorten. Verbesserungsvorschläge konnten gemacht werden. 43 Indikatoren wurden als anwendbar angesehen. Davon erhielten 29 eine durchschnittliche Wichtigkeit von mindestens 2 (wichtig), neun eine durchschnittliche Wichtigkeit von mindestens 1,5. Die als am wichtigsten bewerteten Indikatoren geben Hinweise auf einen für Kohortenstudien relevanten Kernsatz von Indikatoren zur Erfassung der Datenqualität. Die Mehrzahl der hoch bewerteten Indikatoren wurde in den teilnehmenden Kohorten im Rahmen der Datenqualitätssicherung betrachtet. Als Schwächen der Leitlinie wurden die Verständlichkeit einzelner Indikatoren sowie die Struktur der Leitlinie identifiziert. Das Konzept von Indikatoren zur Datenqualität sollte weiter verbessert werden, um den Nutzwert und die Anwendbarkeit im Rahmen primärer Datenerhebungen zu erhöhen. In der praktischen Anwendung reicht eine Teilmenge der Indikatoren aus, um wesentliche Aspekte der Datenqualität in Kohortenstudien zu beschreiben.
    Keywords: data quality ; cohort studies ; data quality indicators ; data monitoring ; Datenqualität ; Kohortenstudien ; Indikatoren ; Datenmonitoring ; ddc: 610
    Language: English
    Type: article
    Signatur Availability
    BibTip Others were also interested in ...
Close ⊗
This website uses cookies and the analysis tool Matomo. More information can be found here...