Project ECHO demonopolizes knowledge from expert specialists in academic centres to healthcare professionals in rural areas Andrea D. Furlan (MD PhD)
Notice bibliographique
Résumé
Physicians working in rural areas face challenges to keep up-to-date knowledge and skills, to form a community of practice to share resources, and to collaborate interprofessionally. Continuous medical education is available to doctors in the form of conferences, small group discussions, self-learning, and online accredited activities. However, these are usually not directly and immediately applicable to the complex problems that physicians encounter in practice. Project Extensions for Community Healthcare and Outcomes (ECHO) uses weekly sessions of videoconferences where an interprofessional group of specialists (the hub) is available to healthcare professionals working in rural, remote, and underserved areas (the spokes) to exchange knowledge. During these sessions, one member of the hub gives a short didactic presentation, followed by spokes who present their most challenging cases to the whole community for discussion and recommendations. ECHO was developed at the University of New Mexico for treatment of hepatitis C virus infection in 2004, and started in Canada for chronic pain and opioid stewardship in 2014. Research has shown that ECHO is effective in improving spokes’ knowledge and to increase access to specialist care in remote areas. ECHO has expanded to 150 partners in the United States, 14 in Ontario, and internationally to 33 countries.
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 | 0,015 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,002 | 0,014 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,020 | 0,002 |
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 ».