MétaCan
Menu
Retour à la cohorte
Enregistrement W4385560403 · doi:10.12927/hcq.2023.27146

A Clinical Consensus Approach to Developing a New Funding Model for Radiation Services in Ontario

2023· article· en· W4385560403 sur OpenAlexaffvenueabout
Suzanna Apostolovski, Farzana McCallum, Carina Simniceanu, Julie Kraus, Eric Gutierrez, Brian Liszewski, Emma Esselink, Jean‐Pierre Bissonnette, Margaret Hart, Michael Brundage, Padraig Warde, Jason Pantarotto

Notice bibliographique

RevueHealthcare Quarterly · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueRadiation Dose and Imaging
Établissements canadiensSystems, Applications & Products in Data Processing (Canada)Institute for Work & HealthPrincess Margaret Cancer CentreMental Health Research CanadaCARE CanadaQueen's UniversityCancer Care Ontario
Organismes subventionnairesnon disponible
Mots-clésTransparency (behavior)Equity (law)Best practiceBusinessQuality (philosophy)Quality managementProcess managementMedicinePolitical scienceMarketing

Résumé

récupéré en direct d'OpenAlex

In 2021, Ontario Health (Cancer Care Ontario) introduced a quality-based procedure model for the funding of radiation treatment (RT) in Ontario. This model ties reimbursement to patient care activities, ensuring equity and transparency in funding. Over 200 RT interprofessionals (oncologists, therapists and physicists) participated on 22 expert panels to establish or identify 288 evidence-based RT protocols and 672 quality expectations (QEs) to optimally deliver RT, which eventually led to the micro-costing of all protocols. Iterative review is required to ensure updated techniques and identify evolving standards of care, thereby providing the highest quality of RT care to Ontarians.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,627
Score d'incertitude au seuil0,984

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,155
Tête enseignante GPT0,408
Écart entre enseignants0,253 · 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 tête enseignante, pas un consensus.

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

Citations1
Publié2023
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueHealthcare QuarterlyMême sujetRadiation Dose and ImagingTravaux en français237 207