MétaCan
Menu
Retour à la cohorte
Enregistrement W2951231541 · doi:10.1089/dia.2019.0058

A Digital-First Model of Diabetes Care

2019· article· en· W2951231541 sur OpenAlexafffund
Joseph A Cafazzo

Notice bibliographique

RevueDiabetes Technology & Therapeutics · 2019
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensPublic Health OntarioUniversity of TorontoUniversity Health Network
Organismes subventionnairesRoche Diabetes CareUniversity Health Network
Mots-clésSophisticationMedicinePopulationInternet privacyHealth carePublic relationsNursingComputer scienceEconomic growthPolitical science

Résumé

récupéré en direct d'OpenAlex

If we were to create the diabetes care experience anew, there is little doubt that it would not resemble the current bricks-and-mortar way we do things currently. For however a future model of care is designed, it would assume a digital-first approach, whereby the modern conveniences of digitally-mediated services we have experienced in other industries would be reflected in our diabetes care. To this end, our diabetes data would be liberated, transparent to those that need it, but safe and secure otherwise. We would have access to new tools that create insights that lower the burden, not add to it. And access to care would be just in time, convenient, and from a distance when needed. What is stopping a digital-first model is complex and deeply seated, but not insurmountable with engagement from industry, regulators, and care providers that are all willing to modernize the way care is delivered. Personal human interaction will continue to play an important part in the care for millions of people living with diabetes, no matter the sophistication of these digital services. What these technologies will provide is the human capacity to deal with the higher need, vulnerable people for whom access to timely care is an issue. Moreover, it will provide choice for an increasingly diverse population that seeks options for the form, and the delivery, of their personalized care.

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 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)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,927
Score d'incertitude au seuil0,999

Scores Codex et Gemma par catégorie

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

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 Opus0,028
Tête enseignante GPT0,347
Écart entre enseignants0,318 · 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 tête enseignante, pas un consensus.

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

Citations22
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueDiabetes Technology & TherapeuticsMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207