MétaCan
Menu
Retour à la cohorte
Enregistrement W2913798893 · doi:10.1177/1178632918825083

An International Mapping of Medical Care in Nursing Homes

2019· article· en· W2913798893 sur OpenAlexaffabout
Gudmund Ågotnes, Margaret J. McGregor, Joel Lexchin, Malcolm Doupe, Beatrice Müller, Charlene Harrington

Notice bibliographique

RevueHealth Services Insights · 2019
Typearticle
Langueen
DomaineHealth Professions
ThématiqueGeriatric Care and Nursing Homes
Établissements canadiensUniversity of ManitobaYork UniversityUniversity of British Columbia
Organismes subventionnairesnon disponible
Mots-clésStaffingScope (computer science)Service (business)PaymentNursingMedical careBusinessMinimum Data SetMedicineNursing homesMarketingFinance

Résumé

récupéré en direct d'OpenAlex

Nursing home (NH) residents are increasingly in need of timely and frequent medical care, presupposing not only available but perhaps also continual medical care provision in NHs. The provision of this medical care is organized differently both within and across countries, which may in turn profoundly affect the overall quality of care provided to NH residents. Data were collected from official legislations and regulations, academic publications, and statistical databases. Based on this set of data, we describe and compare the policies and practices guiding how medical care is provided across Canada (2 provinces), Germany, Norway, and the United States. Our findings disclose that there is a considerable difference to find among jurisdictions regarding specificity and scope of regulations regarding medical care in NHs. Based on our data, we construct 2 general models of medical care: (1) more regulations-fee-for-service payment-open staffing models and (2) less regulation-salaried positions-closed staffing models. Some evidence indicates that model 1 can lead to less available medical care provision and to medical care provision being less integrated into the overall care services. As such, we argue that the service models discussed can significantly influence continuity of medical care in NH.

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)0,001
score de la tête « metaresearch » (Gemma)0,006
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,083
Score d'incertitude au seuil0,164

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0080,014
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,002
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,022
Tête enseignante GPT0,424
Écart entre enseignants0,403 · 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'étudeObservationnel
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

Citations19
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueHealth Services InsightsMême sujetGeriatric Care and Nursing HomesTravaux en français237 207