MétaCan
Menu
Retour à la cohorte
Enregistrement W4211016440 · doi:10.1177/08404704211058968

Facing disruption: Learning from the healthcare supply chain responses in British Columbia during the COVID-19 pandemic

2022· article· en· W4211016440 sur OpenAlexafffundabout
Jie J. Zhang, Cheryl Mitchell, André Kushniruk, Adel Guitouni

Notice bibliographique

RevueHealthcare Management Forum · 2022
Typearticle
Langueen
DomaineBusiness, Management and Accounting
ThématiqueSupply Chain Resilience and Risk Management
Établissements canadiensUniversity of Victoria
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésSupply chainPersonal protective equipmentCoronavirus disease 2019 (COVID-19)PandemicResilience (materials science)BusinessSupply chain managementHealth careCrisis managementConstructivePsychological resilience2019-20 coronavirus outbreakSevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)Process managementMarketingComputer scienceMedicineManagementEconomicsProcess (computing)Economic growthPsychologyVirology

Résumé

récupéré en direct d'OpenAlex

The healthcare supply chain crisis surrounding Personal Protective Equipment (PPE) during the onset of the COVID-19 pandemic presented unique and complex challenges in achieving the primary aim of supply chain management, that is, delivering the right amount of the right supplies to the right people at the right time. This article describes the key findings from a case study on PPE supply chain responses to the COVID-19 pandemic in British Columbia (BC). It highlights a set of constructive response mechanisms to potential crises along healthcare supply chain. Effective and trusted leadership, a unity of purpose, integrated and robust digital infrastructure and capabilities, consistent learning, resilience building, and environmental sensing for reliable intelligence were found to be essential for preparing, for containing, and mitigating the crisis as it evolved across various phases of crisis management.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Communication savante, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,511
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,002
Études des sciences et des technologies0,0060,000
Communication savante0,0010,001
Science ouverte0,0010,002
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,028
Tête enseignante GPT0,272
Écart entre enseignants0,244 · 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 tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

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

En bref

Citations16
Publié2022
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueHealthcare Management ForumMême sujetSupply Chain Resilience and Risk ManagementTravaux en français237 207