Building Health Services in a Rapidly Changing Landscape: Lessons in Adaptive Leadership and Pivots in a COVID-19 Remote Monitoring Program
Notice bibliographique
Résumé
Adaptive leadership has become an essential skill for leaders in health systems to respond to the COVID-19 pandemic as new knowledge emerges and case counts rise, fall, and rise again. This leadership approach has been described as an iterative process of taking a wide view of the situation, interpreting the meaning of incoming data from multiple directions, and taking real-time action. This process is also common in start-ups, which attempt to create new products or services of uncertain value for consumer markets that may not yet exist. Start-ups manage uncertainty through "pivots," which can include changes in the target group, need, features, or intended benefit of a product or service. Pivots are large changes that account for the high likelihood of getting something wrong during development, and they are distinct from the "tweaks" or small tests of change that define quality improvement methodology. This case study describes three pivots in the launch of a remote monitoring program for COVID-19. Adaptive leadership helped inform strategic decisions, with pivots providing a framework for internal and external stakeholders to articulate options for changes to address shifting needs. There is considerable uncertainty in the appropriate design and implementation of health services, and although this case example focuses on the use of adaptive leadership and pivots during a pandemic, these strategies are relevant for health care leaders at any time.
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 | 0,022 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,026 | 0,031 |
| Communication savante | 0,014 | 0,015 |
| Science ouverte | 0,004 | 0,019 |
| Intégrité de la recherche | 0,007 | 0,019 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».