Frameworks, guidelines, and tools to develop a learning health system for Indigenous health: An environmental scan for Canada
Notice bibliographique
Résumé
Introduction: First Nations, Inuit, and Métis (FNIM) peoples experience systemic health disparities within Ontario's healthcare system. Learning health systems (LHS) is a rapidly growing interdisciplinary area with the potential to address these inequitable health outcomes through a comprehensive health system that draws on science, informatics, incentives, and culture for ongoing innovation and improvement. However, global literature is in its infancy with grounding theories and principles still emerging. In addition, there is inadequate information on LHS within Ontario's health care context. Methods: We conducted an environmental scan between January and April 2021 and again in June 2022 to identify existing frameworks, guidelines, and tools for designing, developing, implementing, and evaluating an LHS. Results: We found 37 relevant sources. This paper maps the literature and identifies gaps in knowledge based on five key pillars: (a) data and evidence-driven, (b) patient-centeredness, (c) system-supported, (d) cultural competencies enabled, and (e) the learning health system. Conclusion: We provide recommendations for implementation accordingly. The literature on LHS provides a starting point to address the health disparities of FNIM peoples within the healthcare system but Indigenous community partnerships in LHS development and operation will be key to success.
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 | 0,051 | 0,065 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,010 | 0,013 |
| Études des sciences et des technologies | 0,021 | 0,013 |
| Communication savante | 0,013 | 0,005 |
| Science ouverte | 0,006 | 0,010 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».