MétaCan
Menu
Retour à la cohorte
Enregistrement W4383315042 · doi:10.1055/s-0043-1768725

Integrated Management Systems (IMS) to Support and Sustain Quality One Health Services: International Lessons from the COVID-19 Pandemic by the IMIA Primary Care Working Group

2023· article· en· W4383315042 sur OpenAlexaff
Jitendra Jonnagaddala, Uy Hoang, Knut‐Arne Wensaas, Karen Tu, Ángela Ortigoza, Javier Silva‐Valencia, María Sofía Cuba-Fuentes, Myron Anthony Godinho, Simon de Lusignan, Siaw‐Teng Liaw

Notice bibliographique

RevueYearbook of Medical Informatics · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueZoonotic diseases and public health
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésPandemicPublic healthCertificationHealth careBusinessMedicineProcess managementCoronavirus disease 2019 (COVID-19)Knowledge managementNursingComputer sciencePolitical scienceInfectious disease (medical specialty)Disease

Résumé

récupéré en direct d'OpenAlex

OBJECTIVES: One Health considers human, animal and environment health as a continuum. The COVID-19 pandemic started with the leap of a virus from animals to humans. Integrated management systems (IMS) should provide a coherent management framework, to meet reporting requirements and support care delivery. We report IMS deployment during, and retention post the COVID-19 pandemic, and exemplar One Health use cases. METHODS: Six volunteer members of the International Medical Association's (IMIA) Primary Care Working Group provided data about any IMS and One Health use to support the COVID-19 pandemic initiatives. We explored how IMS were: (1) Integrated with organisational strategy; (2) Utilised standardised processes, and (3) Met reporting requirements, including public health. Selected contributors provided Unified Modelling Language (UML) use case diagram for a One Health exemplar. RESULTS: There was weak evidence of synergy between IMS and health system strategy to the COVID-19 pandemic. However, there were rapid pragmatic responses to COVID-19, not citing IMS. All health systems implemented IMS to link COVID test results, vaccine uptake and outcomes, particularly mortality and to provide patients access to test results and vaccination certification. Neither proportion of gross domestic product alone, nor vaccine uptake determined outcome. One Health exemplars demonstrated that animal, human and environmental specialists could collaborate. CONCLUSIONS: IMS use improved the pandemic response. However, IMS use was pragmatic rather than utilising an international standard, with some of their benefits lost post-pandemic. Health systems should incorporate IMS that enables One Health approaches as part of their post COVID-19 pandemic preparedness.

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)0,067
score de la tête « metaresearch » (Gemma)0,036
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,067
Score d'incertitude au seuil0,355

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0670,036
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,003
Études des sciences et des technologies0,0030,005
Communication savante0,0100,010
Science ouverte0,0030,011
Intégrité de la recherche0,0040,008
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,085
Tête enseignante GPT0,390
Écart entre enseignants0,305 · 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'étudeThéorique ou conceptuel
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

Citations9
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueYearbook of Medical InformaticsMême sujetZoonotic diseases and public healthTravaux en français237 207