MétaCan
Menu
Retour à la cohorte
Enregistrement W3015754189 · doi:10.3899/jrheum.200411

Learning from Adversity: Lessons from the COVID-19 Crisis

2020· editorial· en· W3015754189 sur OpenAlexvenueno aff
Michael Putman, Eric Ruderman

Notice bibliographique

RevueThe Journal of Rheumatology · 2020
Typeeditorial
Langueen
DomaineMedicine
ThématiqueCOVID-19 and healthcare impacts
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésSocial distanceTelemedicineMedicineSpecialtyStaffingHealth carePandemicSAFERMedical emergencyFamily medicineNursingCoronavirus disease 2019 (COVID-19)DiseaseInfectious disease (medical specialty)Political science

Résumé

récupéré en direct d'OpenAlex

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 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)0,016
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: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Éditorial · Signal consensuel: aucune
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,084

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0160,039
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0170,017
Communication savante0,0150,021
Science ouverte0,0040,015
Intégrité de la recherche0,0120,034
Charge utile insuffisante (le modèle a refusé de juger)0,0090,005

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.

Tête enseignante Opus0,065
Tête enseignante GPT0,382
Écart entre enseignants0,317 · 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'étudeSans objet
Domainenon disponible
GenreÉditorial

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe Journal of RheumatologyMême sujetCOVID-19 and healthcare impactsTravaux en français237 207