Quand et comment la cybersanté est un bon investissement pour les patients qui prennent en charge une maladie chronique
Notice bibliographique
Résumé
Dans le présent article, on expose le rapport coût-efficacité des solutions de cybersanté et la nécessité d'en évaluer le rendement, comme on le fait systématiquement pour toute autre dépense importante. À cet effet, on aborde les théories actuelles pour expliquer quelques principes d'usage liés à l'adoption des technologies de l'information dans le milieu de la santé. Notamment, on réfléchit au modèle TEACH des critères d'adoption des technologies dans la santé et au modèle de prise en charge des maladies chroniques de Wagner. Selon l'hypothèse de départ du modèle TEACH, l'adoption de technologies exige du travail, dont il faut être conscient avant de commencer, et il faut mesurer les progrès réalisés en vue de vaincre l'augmentation de la charge de travail pour poursuivre le processus. De plus, grâce à ces deux modèles, on constate qu'il faut d'abord appliquer l'échange entre les coûts, le travail et les avantages obtenus (déterminés par des mesures) aux patients qui utilisent le système souvent et de manière continue (c'est-à-dire les personnes ayant une maladie chronique). Ces utilisateurs continus sont qualifiés de consommateurs de ressources de santé, ou consommateurs ayant une maladie chronique (les CMC). Dans le présent article, on démontre que les avantages sont supérieurs aux coûts seulement si on applique l'analyse aux patients CMC. Lorsqu'un système de cybersanté efficace aura été mis en place pour les patients CMC, on pourra étendre ce système directement à tous les patients et à d'autres intervenants.
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 | 0,004 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,002 |
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.
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 ».