دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش:
نویسندگان: Khaled El Emam. Luk Arbuckle
سری:
ISBN (شابک) : 9781449363079
ناشر: O'Reilly Media
سال نشر: 2013
تعداد صفحات: 209
زبان: English
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 12 مگابایت
در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد
در صورت تبدیل فایل کتاب Anonymizing Health Data: Case Studies and Methods to Get You Started به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب ناشناس کردن داده های سلامت: مطالعات موردی و روش هایی برای شروع نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
با استفاده از این کتاب عملی، روشهای اثباتشده برای ناشناسسازی دادههای سلامت را میآموزید تا به سازمانتان کمک کند تا مجموعه دادههای معنادار را بدون افشای هویت بیمار به اشتراک بگذارد. کارشناسان برجسته خالد ال امام و لوک آرباکل با استفاده از مطالعات موردی از تلاشهایشان برای شناسایی صدها مجموعه داده، شما را از طریق روششناسی مبتنی بر ریسک راهنمایی میکنند. دادههای بالینی برای تحقیقات و سایر انواع تجزیه و تحلیل ارزشمند هستند، اما ناشناس کردن آنها بدون به خطر انداختن کیفیت دادهها مشکل است. این کتاب تکنیکهایی را برای مدیریت انواع دادهها، بر اساس تجربیات نویسندگان با ثبت نام مادر و کودک، چکیدههای ترخیص بستری، ادعاهای بیمه سلامت، پایگاههای اطلاعاتی پرونده الکترونیکی پزشکی، و ثبت بلایای مرکز تجارت جهانی و غیره، نشان میدهد.
With this practical book, you will learn proven methods for anonymizing health data to help your organization share meaningful datasets, without exposing patient identity. Leading experts Khaled El Emam and Luk Arbuckle walk you through a risk-based methodology, using case studies from their efforts to de-identify hundreds of datasets. Clinical data is valuable for research and other types of analytics, but making it anonymous without compromising data quality is tricky. This book demonstrates techniques for handling different data types, based on the authors' experiences with a maternal-child registry, inpatient discharge abstracts, health insurance claims, electronic medical record databases, and the World Trade Center disaster registry, among others.