Lessons Learned from the Implementation of a Person-Centred Digital Health Platform in Cancer Care
Notice bibliographique
Résumé
The SARS-CoV-2 (COVID-19) pandemic has accelerated the development and use of digital health platforms to support individuals with health-related challenges. This is even more frequent in the field of cancer care as the global burden of the disease continues to increase every year. However, optimal implementation of these platforms into the clinical setting requires careful planning and collaboration. An implementation project was launched between the Centre intégré universitaire de santé et de services sociaux (CIUSSS) du Centre-Ouest-de-I'Île-de-Montreal and BELONG-Beating Cancer Together-a person-centred cancer navigation and support digital health platform. The goal of the project was to implement content and features specific to the CIUSSS, to be made available exclusively for individuals with cancer (and their caregivers) treated at the institution. Guided by Structural Model of Interprofessional Collaboration, we report on implementation processes involving diverse stakeholders including clinicians, hospital administrators, researchers and local community/patient representatives. Lessons learned include earlier identification of shared goals and clear expectations, more consistent reliance on virtual means to communicate among all involved, and patient/caregiver involvement in each step to ensure informed and shared decision making.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,057 | 0,060 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,007 |
| Communication savante | 0,010 | 0,010 |
| Science ouverte | 0,004 | 0,011 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».