MétaCan
Menu
Retour à la cohorte
Enregistrement W2994655120 · doi:10.12927/hcq.2019.26023

Innovation Procurement in Health Systems: Exploring Practice and Lessons Learned

2019· article· en· W2994655120 sur OpenAlexvenueaboutno aff
Anne Snowdon, Renata Axler, Ryan DeForge, Melissa St. Pierre, Carol Kolga

Notice bibliographique

RevueHealthcare Quarterly · 2019
Typearticle
Langueen
DomaineEconomics, Econometrics and Finance
ThématiqueHealth Systems, Economic Evaluations, Quality of Life
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésProcurementBusinessHealth careSustainabilityProcess managementValue (mathematics)Knowledge managementMarketingComputer scienceEconomicsEconomic growth

Résumé

récupéré en direct d'OpenAlex

As rising healthcare costs continue to challenge the sustainability of global health systems, there has been a strategic shift toward a focus on value, which considers the outcomes and value of healthcare delivery relative to the costs of care delivery. A unique feature of this focus on value has influenced a shift in procurement whereby health organizations are advancing the procurement of innovative solutions to achieve defined outcomes that overcome challenges such as the quality, safety and cost of care delivery. In this paper, we report on the implementation of three innovation procurement models in four Ontario healthcare organizations. These case studies provide evidence of the value and impact of innovation procurement approaches emerging from the four healthcare organizations. Three models of innovation procurement are described in the four cases, along with qualitative analysis of experiences and outcomes for both the organizations and the participating vendors. Evidence of the value and impact of procuring innovative solutions to address health organization challenges offers insights and new approaches to leveraging public procurement methodologies to achieve value and impact for health systems.

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)0,052
score de la tête « metaresearch » (Gemma)0,045
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,052
Score d'incertitude au seuil0,277

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0520,045
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0030,005
Études des sciences et des technologies0,0060,022
Communication savante0,0150,015
Science ouverte0,0040,009
Intégrité de la recherche0,0040,005
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,539
Tête enseignante GPT0,480
Écart entre enseignants0,059 · 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'étudeQualitatif
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

Citations2
Publié2019
Routes d'admission2
Résumé présentoui

Explorer davantage

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