179:oral Priority-setting for effective pandemic preparedness: a case study of priority setting for COVID-19 in the Western Pacific Region
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
Method 2316 members of a representative panel of doctors practicing in Norway received a questionnaire in December 2020. Data were analysed by descriptive statistics and regression analyses. Results 1617 of 2316 (70%) responded. A majority reported familiarity with the official priority criteria, but not with the particular legislation on priority setting (the Priority Regulation/Prioriteringsforskriften), or the Directorate of Health's Guidelines for priority setting during the pandemic. 60-74% did not use guidelines for priority setting. 60,5% experienced that some of their patients got lower priority for treatment. Of these, 47% considered this medically indefensible to some/ a large extent. We saw a significant difference between GPs, hospital doctors and private specialists in considering the lower priority indefensible: 42,6% (hospital doctors), and 57,8% (GPs). Regression analysis showed that increased age involved fewer claims of lower priority, controlling for age and workplace, while working in primary care increased the probability of considering the priorities medically indefensible, controlling for age and gender. Discussion If priority setting in clinical practice is to proceed in accordance with priority setting principles and guidelines, doctors' familiarity with them must improve. Apparently, the clinical priority setting in response to the pandemic was considered medically indefensible by many doctors. One interpretation is that doctors have judged that the rationing of care went too far; another is that the society, including politicians, patients, and doctors, find it hard to accept rationing of care for particular patient groups.
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 | 0,037 | 0,007 |
| 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 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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