ISQUA16-2431HOW NATIONS COMPARE: BENCHMARKING USE OF INFORMATION TECHNOLOGY TO IMPROVE CARE
Notice bibliographique
Résumé
While health policies and priorities differ across countries, many nations have implemented strategies that aim to improve access to care, quality of health services, care coordination, and productivity within the health system through effective use of information technology (IT). Under the auspices of the OECD, this study piloted the collection of benchmark measures of health IT availability and use to facilitate cross-country learning. A prior OECD-led effort involving 30 countries resulted in the selection and definition of functionality-based measures for availability and use of electronic health records, health information exchange, personal health records, and telehealth. For this pilot, an OECD working group compiled the results for some or all measures for 38 countries based on new and/or adapted surveys and other data sources from 2012 to 2015. The group then synthesized feedback from a subset of countries to identify key learnings. Electronic records are now widely used to store and manage patient information at the point of care. All but two pilot countries reported use by at least half of their primary care physicians; many had rates of 75% or more. However, there are important differences in the specific data and functions available (e.g. ability to produce lists of patients according to diagnosis or prescriptions), as well as in how frequently healthcare providers use electronic records. Patient information exchange across organizations/settings supporting continuity and coordination of care is less common. For example, a few countries (Canada, Estonia, Finland, Luxembourg, and Malta) reported universal or near universal ability of acute care facilities to exchange radiology results and/or images with outside organizations. However, only about a half (53% in 2012) of European acute care facilities reported this ability. A number of countries within and outside of Europe had much lower rates. Variations in the availability and use of telehealth and personal health records are also large.
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 | 0,052 | 0,078 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,014 | 0,030 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,008 | 0,005 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,045 | 0,008 |
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 ».