MétaCan
Menu
← Retour à la cohorte
Enregistrement W4322507006 · doi:10.1108/978-1-80117-045-120231007

African Healthcare Leadership Lessons From 2014 to 2016 Ebola Crisis

2023· book-chapter· en· W4322507006 sur OpenAlexaff
Pierre Balamou, Paul R. Sachs

Notice bibliographique

Revuenon disponible
Typebook-chapter
Langueen
DomaineMedicine
ThématiqueViral Infections and Outbreaks Research
Établissements canadiensReach Technologies (Canada)
Organismes subventionnairesnon disponible
Mots-clésHealth careSierra leoneHealthcare systemPublic relationsPsychological interventionIsolation (microbiology)Political scienceMedicineNursingSociologySocioeconomics

Résumé

récupéré en direct d'OpenAlex

Abstract The devastating 2014 Ebola outbreak caused human and economic loss, but it also resulted in remarkable improvement in healthcare leadership. The impact is most evident in the affected West African countries of Guinea, Liberia and Sierra Leone. In this chapter, the Ebola experience is used as a framework to explore the essential elements of healthcare leadership, with particular attention to healthcare crises in under-resourced communities. Overall, healthcare leadership presents unique challenges. In common with leaders of other industries, healthcare leaders must inspire others, create a sense of purpose, make difficult decisions and collaborate with a range of people. But, because their focus is on complex systems that aim to improve people's physical and mental well-being, expectations of healthcare leaders are especially high. Their work can be a matter of life or death. For the leader in an under-resourced area, the challenge and expectations are even higher, particularly in the face of new or emerging health threats. The key to effective healthcare leadership is systems thinking which involves looking at the entire system of care as an integrated whole, rather than discrete parts that operate in isolation. Healthcare leaders must understand that health means mobilizing multisectoral knowledge and resources and applying innovative and multiactor approaches to prevent, detect and address health problems. Since the 2014 Ebola crisis, healthcare leaders are increasingly using a systems approach by looking at the culture of health systems, the impact of diseases locally and globally, and the applicability of health interventions in different environments. In the post-Ebola era, steps to strengthen the healthcare system are described which includes the roles of healthcare leaders. These steps include deployment of field epidemiologists and community health agents, community education and fuller use of the One Health Platform, which allows actors from different sectors (human health, animal health and environmental health) to collaborate. Finally, suggestions for healthcare leadership training are offered.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,009
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,017
Score d'incertitude au seuil0,049

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,013
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0170,005
Communication savante0,0070,006
Science ouverte0,0010,010
Intégrité de la recherche0,0050,011
Charge utile insuffisante (le modèle a refusé de juger)0,0090,002

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 Opus0,235
Tête enseignante GPT0,394
Écart entre enseignants0,159 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
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

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetViral Infections and Outbreaks Research→Travaux en français237 207→