Everybody’s talking about equity, but is anyone really listening?: The Case for Better Data-Driven Learning in Health Systems
Notice bibliographique
Résumé
Data collection, analysis, and data driven action cycles have been viewed as vital components of healthcare for decades. Throughout the COVID-19 pandemic, case incidence and mortality data have consistently been used by various levels of governments and health institutions to inform pandemic strategies and service distribution. However, these responses are often inequitable, underscoring pre-existing healthcare disparities faced by marginalized populations. This has prompted governments to finally face these disparities and find ways to quickly deliver more equitable pandemic support. These rapid data informed supports proved that learning health systems (LHS) could be quickly mobilized and effectively used to develop healthcare actions that delivered healthcare interventions that matched diverse populations' needs in equitable and affordable ways. Within LHS, data are viewed as a starting point researchers can use to inform practice and subsequent research. Despite this innovative approach, the quality and depth of data collection and robust analyses varies throughout healthcare, with data lacking across the quadruple aims. Often, large data gaps pertaining to community socio-demographics, patient perceptions of healthcare quality and the social determinants of health exist. This prevents a robust understanding of the healthcare landscape, leaving marginalized populations uncounted and at the sidelines of improvement efforts. These gaps are often viewed by researchers as indication that more data is needed rather than an opportunity to critically analyze and iteratively learn from multiple sources of pre-existing data. This continued cycle of data collection and analysis leaves one to wonder if healthcare has a data problem or a learning problem. In this commentary, we discuss ways healthcare data are often used and how LHS disrupts this cycle, turning data into learning opportunities that inform healthcare practice and future research in real time. We conclude by proposing several ways to make learning from data just as important as the data itself.
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 | 0,388 | 0,417 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,007 | 0,009 |
| Études des sciences et des technologies | 0,013 | 0,094 |
| Communication savante | 0,048 | 0,126 |
| Science ouverte | 0,010 | 0,042 |
| Intégrité de la recherche | 0,027 | 0,057 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,004 |
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 ».