Learning from Adversity: Lessons from the COVID-19 Crisis
Notice bibliographique
Résumé
One month into the crisis caused by COVID-19 (coronavirus disease 2019; the disease caused by SARS-CoV-2) in the United States, rheumatologists began to feel the effects of our hastily constructed temporary response plans. While we may not have been staffing the front lines with our colleagues in emergency medicine and critical care, our patients were uniquely vulnerable to infection and continued to require care. Managing their illnesses remained no less important then than it ever was. Necessity forced us to learn important lessons about delivering this care in safer, more efficient ways. While some of these adaptations will revert to “business as usual,” others may change the way we communicate with patients and colleagues long after this crisis has passed. In our own clinic, the importance of social distancing catalyzed a transition to telemedicine. Healthcare has typically been excluded from stay-at-home orders, so patients can still come into the clinic, but should they? Many of us practice in large medical complexes. Reducing traffic in these locations makes social and medical sense. Even for rheumatologists with independent offices, waiting rooms are a worrisome potential locus for virus transmission. Most importantly, physicians and medical staff have close personal contact with dozens of patients per day, many of whom could be asymptomatic carriers. The rationale for moving to telemedicine was strong. Telemedicine is not new to rheumatology. Publications on telemedicine approaches go back 20 years, though the major focus has typically been on the use of these tools to deliver specialty care to rural areas1,2. Despite this, adoption has been slow, and in many places, nonexistent. Many factors have … Address correspondence to Dr. E.M. Ruderman, Northwestern University Feinberg School of Medicine, Division of Rheumatology, 675 North St. Clair 14-100, Chicago, Illinois 60611, USA. E-mail: e-ruderman{at}northwestern.edu
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 | 0,016 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,017 | 0,017 |
| Communication savante | 0,015 | 0,021 |
| Science ouverte | 0,004 | 0,015 |
| Intégrité de la recherche | 0,012 | 0,034 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,005 |
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 ».