REPLAY: It’s March 11th. Let’s try to fight Covid differently. How would you do it?
Notice bibliographique
Résumé
Suppose you have the ability to go back to March 11th of 2020 - the date the WHO officially declared COVID-19 a pandemic1.
 What could have been done differently with respect to digital health product development?
 Were domain experts utilized to the best of their abilities? What can we learn from COVID-19 for future public health crises planning?
 Digital health data is now, more than ever, deeply influencing our lives. Having robust digital health tools to support public health surveillance is no longer a problem for technocrats.
 It’s everyone’s business now.
 Through the COVID-19 pandemic, I had the opportunity to lead a digital health startup, Flatten.ca, that focused on collecting symptom data from people in Canada and in Somalia2. This experience led to collaborations with big-tech companies, researchers, government officials, startups, and investors.
 Reflecting back on my experiences, I see many flaws in the process by which the North-American community decided to develop and deploy digital health tools. Simply put, a lack of speed and strategically allocated domain expertise hindered our success. Why did Canada take 5 months to launch a contact tracing app and Singapore only 10 days?
 This perspective piece aims at answering the questions highlighted above and analyzing the North-American response to build digital health tools as the COVID-19 pandemic rages on. Whether you’re an investor, academic, student, founder, or otherwise involved in the digital health industry, and you’re thinking about how to effectively support product development for future public health crises, this can help better inform where your efforts are best spent.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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 tête enseignante, 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 ».