Using a learning health system framework to examine COVID-19 pandemic planning and response at a Canadian Health Centre
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic has presented a unique opportunity to explore how health systems adapt under rapid and constant change and develop a better understanding of health system transformation. Learning health systems (LHS) have been proposed as an ideal structure to inform a data-driven response to a public health emergency like COVID-19. The aim of this study was to use a LHS framework to identify assets and gaps in health system pandemic planning and response during the initial stages of the COVID-19 pandemic at a single Canadian Health Centre. METHODS: This paper reports the data triangulation stage of a concurrent triangulation mixed methods study which aims to map study findings onto the LHS framework. We used a triangulation matrix to map quantitative (textual and administrative sources) and qualitative (semi-structured interviews) data onto the seven characteristics of a LHS and identify assets and gaps related to health-system receptors and research-system supports. RESULTS: We identified several health system assets within the LHS characteristics, including appropriate decision supports and aligned governance. Gaps were identified in the LHS characteristics of engaged patients and timely production and use of research evidence. CONCLUSION: The LHS provided a useful framework to examine COVID-19 pandemic response measures. We highlighted opportunities to strengthen the LHS infrastructure for rapid integration of evidence and patient experience data into future practice and policy changes.
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 | 0,011 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».