MétaCan
Menu
Retour à la cohorte
Enregistrement W2591593879 · doi:10.1108/jhom-04-2016-0067

Bridging complexity theory and resilience to develop surge capacity in health systems

2017· article· en· W2591593879 sur OpenAlexaff
Marie‐Christine Therrien, Julie-Maude Normandin, Jean‐Louis Denis

Notice bibliographique

RevueJournal of Health Organization and Management · 2017
Typearticle
Langueen
DomaineHealth Professions
ThématiqueDisaster Response and Management
Établissements canadiensÉcole Nationale d'Administration Publique
Organismes subventionnairesnon disponible
Mots-clésBridging (networking)Resilience (materials science)Surge CapacitySurgeHealthcare systemComputer scienceSociologyHealth careProcess managementEnvironmental resource managementBusinessRisk analysis (engineering)Operations managementEngineeringMedicineEconomicsEconomic growthComputer security

Résumé

récupéré en direct d'OpenAlex

Purpose Health systems are periodically confronted by crises - think of Severe Acute Respiratory Syndrome, H1N1, and Ebola - during which they are called upon to manage exceptional situations without interrupting essential services to the population. The ability to accomplish this dual mandate is at the heart of resilience strategies, which in healthcare systems involve developing surge capacity to manage a sudden influx of patients. The paper aims to discuss these issues. Design/methodology/approach This paper relates insights from resilience research to the four "S" of surge capacity (staff, stuff, structures and systems) and proposes a framework based on complexity theory to better understand and assess resilience factors that enable the development of surge capacity in complex health systems. Findings Detailed and dynamic complexities manifest in different challenges during a crisis. Resilience factors are classified according to these types of complexity and along their temporal dimensions: proactive factors that improve preparedness to confront both usual and exceptional requirements, and passive factors that enable response to unexpected demands as they arise during a crisis. The framework is completed by further categorizing resilience factors according to their stabilizing or destabilizing impact, drawing on feedback processes described in complexity theory. Favorable order resilience factors create consistency and act as stabilizing forces in systems, while favorable disorder factors such as diversity and complementarity act as destabilizing forces. Originality/value The framework suggests a balanced and innovative process to integrate these factors in a pragmatic approach built around the fours "S" of surge capacity to increase health system resilience.

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)0,007
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,009
Score d'incertitude au seuil0,064

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0070,012
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,002
Études des sciences et des technologies0,0040,029
Communication savante0,0060,009
Science ouverte0,0010,008
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,115
Tête enseignante GPT0,408
Écart entre enseignants0,292 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations87
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Health Organization and ManagementMême sujetDisaster Response and ManagementTravaux en français237 207