MétaCan
Menu
Retour à la cohorte
Enregistrement W2955835624 · doi:10.12927/hcq.2019.25841

Frailty and Aging: How the Danish Experience Might Inform Canada

2019· article· en· W2955835624 sur OpenAlexaffvenueabout
John Muscedere, Carol Barrie, Karen C. Chan, Bruce A. Cooper, Kim Critchley, Perry Kim, Amanda L. Lorbergs, Isobel Mackenzie, Cynthia Martineau, Tom Noseworthy, Maureen O’Neil, Joyce Resin, Samir K. Sinha, Russell Williams

Notice bibliographique

RevueHealthcare Quarterly · 2019
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealth Systems, Economic Evaluations, Quality of Life
Établissements canadiensCanadian Foundation for Healthcare ImprovementSinai Health SystemCanadian Institutes of Health ResearchBritish Columbia Academic Health Science NetworkHealth PEIGovernment of Northwest TerritoriesYukon Health and Social ServicesGovernment of Prince Edward IslandOffice of the Chief Medical ExaminerCarbon Engineering (Canada)Kingston Health Sciences Centre
Organismes subventionnairesnon disponible
Mots-clésDanishPopulation ageingHealth careGerontologyHealthcare systemSuccessful agingBest practiceMedicinePopulationEnvironmental healthPolitical scienceEconomic growthEconomics

Résumé

récupéré en direct d'OpenAlex

Scandinavian countries are widely acknowledged as leaders in innovative models of care for their aging populations. To learn what might be potentially applicable to the health system in Canada, the Canadian Frailty Network (CFN) led a contingent of government, administrative, research and patient representatives to Denmark to directly observe Danish approaches for providing healthcare for older adults living with frailty. In this paper and based on what we learned from these observations, we discuss healthcare challenges faced by Canada's aging population for which Danish strategies provide clues as to where and how to improve care and system efficiencies, thereby maximizing the value of Canadian healthcare.

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)0,010
score de la tête « metaresearch » (Gemma)0,039
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 enseignants0,097
Score d'incertitude au seuil0,701

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,039
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,004
Études des sciences et des technologies0,0070,003
Communication savante0,0090,002
Science ouverte0,0010,003
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 Opus0,199
Tête enseignante GPT0,379
Écart entre enseignants0,180 · 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

Citations5
Publié2019
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueHealthcare QuarterlyMême sujetHealth Systems, Economic Evaluations, Quality of LifeTravaux en français237 207