摘要 尼日利亚于 2021 年 3 月 5 日开始接种 COVID-19 疫苗,并正在努力实现世卫组织在非洲区域的目标,即到 2022 年 12 月为 70% 的符合条件人口全面接种疫苗。尼日利亚的 COVID-19 疫苗接种信息系统包括一个针对免疫后 COVID-19 不良事件 (AEFI) 的监测系统,但截至 2021 年 4 月,AEFI 数据由多个团体收集和管理,缺乏常规分析和采取行动。为了填补 COVID-19 疫苗安全监测的这一空白,2021 年 4 月至 2022 年 6 月期间,美国疾病控制和预防中心与尼日利亚人类病毒学研究所领导的其他执行伙伴合作,支持尼日利亚政府对现有的 COVID-19 AEFI 数据进行三角测量。本文介绍了在尼日利亚实施已发布的 COVID-19 AEFI 数据三角测量指南草案的过程。在这里,我们关注的是实施数据三角测量的过程,而不是分析三角测量的结果和影响。工作首先是绘制 COVID-19 AEFI 数据流图、吸引利益相关者参与并建立数据管理系统来接收和存储所有共享数据。这些数据集用于创建一个在线仪表板,其中的关键指标是根据现有 WHO 指南和国家指导选择的。仪表板在分发给利益相关者之前经过了反复审查。本案例研究重点介绍了实施数据三角测量以快速使用 AEFI 数据进行决策的成功案例,并强调了利益相关者参与和强大的数据治理结构对于使数据三角测量成功的重要性。
目标管理评估 (TAS) 仪表板允许 NHSN 设施通过交互式图表直观地了解最需要抗菌药物管理的地点。TAS 仪表板按季度显示设施和地点级别最近四个完整日历季度随时间变化的指标,即抗菌药物使用累计归因差异 (AU-CAD)。AU-CAD 是实现所需的标准化抗菌药物管理比率 (SAAR) 目标所需的抗菌药物天数。AU-CAD 值越高,为达到 SAAR 目标需要减少的抗菌药物天数就越多。TAS 仪表板使用您的设施报告的 SAAR 数据和您的 SAAR 目标,使用以下公式计算每种 SAAR 类型和位置的 AU-CAD,四舍五入到最接近的整数:
摘要。过去的研究已经为教师设计了丰富的基于分析的工具,并发现了一些工具对教学和学习的有益影响。然而,当一班学生使用基于人工智能的辅导软件进行自主学习时,关于支持教师的工具设计的知识相对较少。为了应对这一挑战,我们与 20 名中学教师进行了基于设计的研究,创建了一个新颖的实时仪表板 Tutti,它可以帮助教师监控课堂并根据学生辅导软件的分析结果决定帮助哪些学生。Tutti 已全面实施,并通过原型设计和日志重放会话进行了完善。部分实施已在远程教室试行。主要设计特点是双屏设计,其中 (1) 一个班级概览屏幕显示每个学生的状态以及最近事件的通知,以及 (2) 一个深度屏幕,用于详细探索单个学生的工作,同时提供动态重放和交互式注释解决方案视图。该项目对基于实时分析的工具的有效设计提供了新的见解,可指导 K-12 教师设计其他工具来支持学生开展自主学习活动。
2017 年,全球新增前列腺癌病例 140 万例,导致 416 000 人死亡 [1]。发病率上升和人口老龄化导致前列腺癌病例自 2007 年以来增加了 42% [1]。事实上,前列腺癌患者的管理是一个复杂的过程,涉及不断扩大的多学科团队,包括泌尿科、放射科、病理科和放射治疗科。这些部门之间有效的信息交换对于提供适当的高质量护理和减少不良影响至关重要。然而,在大多数组织中,相关数据分散存储在不同的 IT 系统中,各部门基本上独立运作 [2-4]。部门之间的这些技术差距阻碍了临床医生全面了解患者的个体状况 [5,6]。在日常临床实践中,临床医生花费大量时间收集、整合和评估患者数据以护理患者 [7]。为了让医生全面了解患者的病情,需要跨系统和部门进行无缝的信息交换 [8-10]。需要整合最佳实践指南支持的有效数据集成工具可以从多个来源提取和组合数据,以确保持续的跨学科患者护理 [6,11-13]。此外,数据表示必须适应每个接收者的个人需求和选择及其在护理供应链中的目的,以避免信息缺失或过载 [6]。在过去三年中,我们与行业合作伙伴西门子医疗合作,根据欧洲医学联合会前列腺癌指南定义的最佳实践,开发了针对特定途径的临床决策支持系统原型。这项工作包括数据映射、数据集成和前端数据表示的开发。在这里,我们在前列腺癌治疗决策的背景下评估了这一发展的第一个 CE 认证版本。
资料来源:贝莱德投资研究所,数据来自 Renitiv。数据截至 2022 年 7 月。 注:“风险”栏列出了我们跟踪的 10 个关键地缘政治风险。“描述”栏定义了每种风险。“市场关注度”是贝莱德地缘政治风险指标 (BGRI) 对每种风险的近期走势的图形快照。BGRI 衡量市场对每种风险的关注程度,反映在经纪报告和金融媒体中。有关详细信息,请参阅第 7 页的“工作原理”部分。表格按“可能性”栏排序,该栏代表我们根据贝莱德的主题专家对每种风险在短期内实现的可能性(低、中或高)的基本评估。“我们的观点”栏代表贝莱德对每种风险相关发展的最新看法。这并非对未来事件的预测或对未来结果的保证。读者不应将此信息作为对任何基金或特定证券的研究或投资建议。贝莱德的个别投资组合经理可能有意见和/或做出投资决策,在某些方面可能与此处包含的信息不一致。
PBS卡车访问数据来自国家重型车辆调节器的计划器工具,该工具为各种PBS分类卡车组合提供访问信息(请参阅https://www.service.nhvr.gov.gov.au/#page = information = information = informationhub/routeplannertool)。数据并未在空间上直接与此处的路段保持一致,但是通过人工智能(AI)建模,四种主要卡车类型的PBS数据(PBS1A(ST),PBS2A(BD),PBS3A(T1)(T1)和PBS4A(T2))分配给此处的路段。分配过程达到了98.6±1.1%的精度。目前,我们不为使用更高质量限制(HML)车辆的运动建模,即车辆小于24吨。
进一步致谢:这项工作由美国能源部(DOE)根据合同号DE-AC36-08GO28308。这项工作得到了美国能源部,科学办公室,教师和科学家劳动力发展办公室(WDTS)的支持,科学本科实验室实习计划(SULI)计划。这项工作也得到了实验室定向研发(LDRD)计划的部分支持。本文中表达的观点不一定代表美国能源部或美国政府的观点。美国政府保留和出版商,通过接受该文章的出版物,承认美国政府保留了不可限制的,有偿的,不可撤销的,全球范围内的许可,以出版或复制这项工作的已发表形式,或允许其他人这样做,以实现美国政府的目的。
现在,任何具有 VAULT 访问权限的人都可以在空军 VAULT 上的用户友好仪表板中查看此信息。(链接为 https://tableau.afdatalab.af.mil/#/site/AFIMSC/workbooks/1807/views 。)在那里,用户可以筛选“概览”页面的 35,000 个空军垂直设施列表,直至他们感兴趣的安装、类别代码或任务依赖指数 (MDI) 层。一旦他们确定了某个特定设施,他们就可以跳转到“深入研究”页面,查看驱动计算置信度的特定异常的详细分类。这些异常分为 13 种类型,由空军 BUILDER 专家确定,每种类型都有一个置信度评级。那么,BCI 的整体置信度是这 13 种异常类型中最严重的问题。
统计和统计政策委员会 (CSSP) 和五个实质性委员会(即经济政策委员会 (EPC)、经济发展审查委员会 (EDRC)、就业、劳工和社会事务委员会 (ELSAC)、卫生委员会 (HC) 和环境政策委员会 (EPOC))在 10 月推出之前完成复苏仪表板。这些实质性委员会和执行委员会 (ExCo) 的代表被邀请对拟议的复苏仪表板及其在现有 OECD 产品和工具以及未来可能的 OECD 国家监测工作中的潜在用途发表评论。仪表板与 OECD 旗舰出版物(如《经济展望》)中使用的仪表板大致一致,没有提供具体的经济或其他政策建议。
可以帮助理解存储在数据库中的原始信息,从而有助于人类认知[6]。仪表板可以看作是指标的容器[13],但 Bronus 等人对仪表板的定义最准确。Bronus 等人将仪表板定义为“易于阅读、通常单页的实时用户界面,以图形方式显示组织关键绩效指标(KPI)的当前状态(快照)和历史趋势,以便一目了然地做出即时和明智的决策”[5]。这种类型的视觉显示在理解方面至关重要,因为如果以有意义的方式呈现,人类能够处理大量数据[17]。学习分析工具和可视化的使用有可能为教师提供有效的支持,帮助他们保持学生的参与度并实现学习目标[15]。Yoo 等人[21]对教育仪表板进行了审查,他们强调了仪表板的实用性,提到仪表板呈现了教育数据挖掘过程的结果,并帮助教师监控和了解学生的学习模式。我们可以将同样的原则应用于数据