Nimble Approach: fast, adapting, calculating and ethically mindful approach to managing colorectal cancer screening programmes during a pandemic
Notice bibliographique
Résumé
OBJECTIVE: To describe a conceptual framework that provides understanding of the challenges encountered and the adaptive approaches taken by organised colorectal cancer (CRC) screening programmes during the initial phase of the COVID-19 pandemic. DESIGN: This was a qualitative case study of international CRC screening programmes. Semi-structured interviews were conducted with programme managers/leaders and programme experts, researchers and clinical leaders of large, population-based screening programmes. Data analysis, using elements of grounded theory, as well as cross-cases analysis was conducted by two experienced qualitative researchers. RESULTS: 19 participants were interviewed from seven programmes in North America, Europe and Australasia. A conceptual framework ('Nimble Approach') was the key outcome of the analysis. Four concepts constitute this approach to managing CRC screening programmes during COVID-19: Fast (meeting the need to make decisions and communicate quickly), Adapting (flexibly and creatively managing testing/colonoscopy capacity, access and backlogs), Calculating (modelling and actively monitoring programmes to inform decision-making and support programme quality) and Ethically Mindful (considering ethical conundrums emerging from programme responses). Highly integrated programmes, those with highly integrated communication networks, and that managed greater portions of the screening process seemed best positioned to respond to the crisis. CONCLUSIONS: The Nimble Approach has potentially broad applications; it can be deployed to effectively respond to programme-specific challenges or manage CRC programmes during future pandemics, other health crises or emergencies.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,002 |
| 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 ».