MétaCan
Menu
Retour à la cohorte
Enregistrement W4385560514 · doi:10.12927/hcq.2023.27147

A Systems-Level Evaluation Framework for Virtual Care

2023· article· en· W4385560514 sur OpenAlexaffvenueabout
Meaghan Lunney, Mary V. Modayil, Judith Krajnak, Katie Woo, Shy Amlani, Kris Gray, Tracy Wasylak, Braden Manns, Jonathan C. Choy, Judy Seidel

Notice bibliographique

RevueHealthcare Quarterly · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueTelemedicine and Telehealth Implementation
Établissements canadiensMontreal Heart InstituteSouth Health CampusAlberta HealthAlberta Health Services
Organismes subventionnairesnon disponible
Mots-clésLeverage (statistics)Best practiceHealth careProcess managementKey (lock)Healthcare deliveryProcess (computing)BusinessHealthcare systemKnowledge managementVirtual teamComputer scienceComputer securityPolitical science

Résumé

récupéré en direct d'OpenAlex

The virtual care landscape is significantly changing, largely due to an increased demand initiated by the COVID-19 pandemic and the evolution of technology. Complex questions about how to best leverage virtual care and its impact remain unanswered. Our team developed a systems-level evaluation framework to inform virtual care service design and evaluation to take a more comprehensive approach to planning and implementing virtual care. We designed the framework for application in Alberta Health Services (AHS) by engaging virtual care users (patients, families and healthcare providers), implementation staff and decision makers across the organization. Here we report our design process and key lessons learned. The framework received endorsement by AHS senior leadership for application across the system. Our next step is to test the framework. By sharing our design process and experiences, we aim to help inform other national and international jurisdictions plan virtual care evaluations within their context.

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)0,253
score de la tête « metaresearch » (Gemma)0,152
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,253
Score d'incertitude au seuil0,922

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,2530,152
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,003
Bibliométrie0,0080,004
Études des sciences et des technologies0,0050,010
Communication savante0,0170,012
Science ouverte0,0060,010
Intégrité de la recherche0,0050,006
Charge utile insuffisante (le modèle a refusé de juger)0,0080,002

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 Opus0,127
Tête enseignante GPT0,447
Écart entre enseignants0,320 · 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.

Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations4
Publié2023
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueHealthcare QuarterlyMême sujetTelemedicine and Telehealth ImplementationTravaux en français237 207