MétaCan
Menu
Retour à la cohorte
Enregistrement W2111153318

Transforming Healthcare through Better Use of Data: A Canadian Context

2012· article· en· W2111153318 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

aboutLe titre ou le résumé porte un signal canadien du lexique géographique.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueElectronicHealthcare · 2012
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealthcare Policy and Management
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésData governanceStandardizationLeverage (statistics)Health careCompetitive advantageAnalyticsData sharingContext (archaeology)Big dataBusinessData scienceKnowledge managementMarketingComputer scienceData qualityPolitical science
DOInon disponible

Résumé

récupéré en direct d'OpenAlex

hoads and Ferrara are to be commended for their understanding of the increasing need for healthcare organizations operating in a competitive environment in the United States (US) to seize the opportunities offered by technological advances in access to data and advanced analytics. Their White Paper, “Transforming Health Care through Better Use of Data,” postulates that in an increasingly competitive environment, hospitals and health systems in the US that will be able to leverage their data to improve patient care, drive innovation and improve organizational performance will generate an ongoing competitive advantage. This argument is not new and had already been put forward by Davenport for the private industry in 2006 (Davenport 2006). In addition, the authors propose that most organizations have the data they need but lack the foundational practices and capabilities to get the most out of these data assets. They propose that in order to leverage their data, organizations should assess their capacity to assess their organizational capacity in six areas: data governance; data acquisition; data sharing; data standardization; data integration; and analytics. Finally, they make the point that the next generation of data will be bigger, less structured and less easily integrated. The first question arising from this analysis relates to its relevance to Canada. Many would argue that the Canadian context is vastly different from that of the US and that competition does not play the same role in Canada as in the US. In reality, Canada offers a contrasted picture with intense competition in a few large urban areas for fundraising and government attention, and little or no competition in rural and remote parts of the country. Today, 60% of the 600 Canadian hospitals are small community hospitals with little to do with the situation described by Rhoads and Ferrara. However, the introduction of Activity-Based Funding mechanisms in Alberta, British Columbia, Ontario and other provinces will create a more competitive environment for healthcare providers. The level of

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,985
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,002
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,178
Tête enseignante GPT0,326
Écart entre enseignants0,148 · 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