Ethical decision making during a healthcare crisis: a resource allocation framework and tool
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The COVID-19 pandemic has strained healthcare resources the world over, requiring healthcare providers to make resource allocation decisions under extraordinary pressures. A year later, our understanding of COVID-19 has advanced, but our process for making ethical decisions surrounding resource allocation has not. During the first wave of the pandemic, our institution uniformly ramped-down clinical activity to accommodate the anticipated demands of COVID-19, resulting in resource waste and inefficiency. In preparation for the second wave, we sought to make such ramp down decisions more prudently and ethically. We report the development of a tool that can be used to make fair and ethical decisions in times of resource scarcity. We formed an interprofessional team to develop and use this tool to ensure that a diverse range of stakeholder perspectives were represented in this development process. This team, called the clinical activity recovery team, established institutional objectives that were combined with well-established procedural values, substantive ethical principles and decision-making criteria by using a variation on the well-known accountability for reasonableness ethical framework. The result of this is a stepwise, semiquantitative, ethical decision tool that can be applied to resource allocation challenges in order to reach fair and ethically defensible decisions. This ethical decision tool can be applied in various contexts and may prove useful at both the institutional and the departmental level; indeed this is how it is applied at our centre. As the second wave of COVID-19 strains healthcare resources, this tool can help clinical leaders to make fair decisions.
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.
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 | 0,013 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,013 |
| 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 découle