MétaCan
Menu
← Retour à la cohorte
Enregistrement W1994222970 · doi:10.12927/hcq.2012.23125

Bringing Evidence to Healthcare Decision Making

2012· article· en· W1994222970 sur OpenAlexaboutno aff
Charles Wright, Brian O’Rourke

Notice bibliographique

RevueHealthcare Quarterly · 2012
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealth Systems, Economic Evaluations, Quality of Life
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHealth careBest practiceHealth administrationClinical decision makingBusinessNursingPublic relationsMedicinePolitical scienceFamily medicinePublic healthManagementEconomics

Résumé

récupéré en direct d'OpenAlex

key principle underlying the Excellent Care for All Act was the importance of evidence in guiding decisions across the healthcare system. The Canadian Agency for Drugs and Technologies in Health (CADTH) has led pan-Canadian efforts for several years to bring evidence to decisions about what will be covered and what will not be covered in Canadian healthcare. In this interview, the CEO of CADTH – Brian O’Rourke (BO) – speaks with Charles Wright (CW) about a number of the challenges and opportunities inherent in bringing evidence to healthcare decision-making. A key point throughout the interview is the range of efforts necessary to support decision-makers as they try to bring evidence into coverage and other potentially controversial decisions. CW: Let me start by asking how you would describe the general purpose of your organization – The Canadian Agency for Drugs and Technology and Health? BO: More affectionately known in this country as CADTH – that’s the acronym to get out of your lips! We’re a health technology assessment agency. In its broadest sense, that means we inform; we provide information to policy makers in Canada regarding health technology. It can include pharmaceuticals, medical devices, medical/surgical procedures and diagnostic tests. A Bringing Evidence to Healthcare Decision Making liNKiNG eViDeNce aND Quality

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,334
score de la tête « metaresearch » (Gemma)0,498
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,334
Score d'incertitude au seuil0,821

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,3340,498
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0050,003
Bibliométrie0,0120,006
Études des sciences et des technologies0,0110,053
Communication savante0,0440,042
Science ouverte0,0060,029
Intégrité de la recherche0,0270,054
Charge utile insuffisante (le modèle a refusé de juger)0,0080,002

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.

Tête enseignante Opus0,414
Tête enseignante GPT0,491
Écart entre enseignants0,077 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2012
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHealthcare Quarterly→Même sujetHealth Systems, Economic Evaluations, Quality of Life→Travaux en français237 207→