Notice bibliographique
Résumé
How does a healthcare organization undergo such transformation as described in the lead paper in eight short years? Just imagine being part of an organization that achieved the following transformations: (1) reduction in hospital and long-term-care beds from 92,000 to 53,000 and an increase in outpatient clinics from 200 to 850 (2) a 75% increase in the number of patients treated on an annual basis (from 2.8 million to 4.9 million) with only a 32% cumulative increase in budget (from $19 billion to $25 billion) (3) clinicians who have access to complete medical records for almost all patient visits and all care settings (4) clinicians who willingly enter medication orders 94% of the time (5) patients who are increasingly satisfied with their care, ranking the service consistently higher than the competition (6) improved patient outcomes, achieved at costs 25% less than the competition. Such transformation is impossible to achieve without vision, leadership, talent, teamwork and tools. I will restrict my comments to a discussion of the tools, specifically the VA's clinical information system (VistA, HealtheVet, My HealtheVet. However, it is important to note that the results described in this paper would not be possible without the VA's transformational leadership and dedicated teams of professionals capable of executing the vision.
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 | 0,255 | 0,447 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,012 | 0,008 |
| Études des sciences et des technologies | 0,010 | 0,038 |
| Communication savante | 0,046 | 0,054 |
| Science ouverte | 0,005 | 0,026 |
| Intégrité de la recherche | 0,012 | 0,026 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,004 |
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 ».