Notice bibliographique
Résumé
Improving end of life care requires better population level data Although the oldest health statistics are based on death certificates, one of the weakest areas of health information is how we die. For example, in Canada 220 000 deaths occur each year. We know how many people died, and whether it was from cancer, heart disease, or other causes. But we have no idea how many of these people died in pain, hooked up to life support they didn't want, or alone. In the absence of systematic information and monitoring of end of life care and comparisons across health regions (or health care organisations) there is no possibility of learning what is possible (those regions with the highest ratings), nor of tracking whether improvements are occurring. Twenty years ago, the challenge was to engage healthcare workers in the care of the dying. Ten years ago, the challenge was to engage healthcare organisations in quality improvement efforts on end of life care. Today, the challenge is to develop systematic and comprehensive information on the quality of end of life care at the population level. Canada, like many countries, has a well developed health information structure—organisations such as Statistics Canada and the …
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,006 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,003 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,005 |
| Communication savante | 0,009 | 0,009 |
| Science ouverte | 0,006 | 0,002 |
| Intégrité de la recherche | 0,020 | 0,038 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,013 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».