A Framework for Implementing Disease Prevention and Behavior Change Evidence at Scale
Notice bibliographique
Résumé
The current corpus of evidence-based information for chronic disease prevention and treatment is vast and growing rapidly. Behavior change theories are increasingly more powerful but difficult to operationalize in the current healthcare system. Millions of Canadians are unable to access personalized preventive and behavior change care because our in-person model of care is running at full capacity and is not set up for mass education and behavior change programs. We propose a framework to utilize data from electronic medical records to identify patients at risk of developing chronic disease and reach out to them using digital health tools that are overseen by the primary care team. The framework leverages emerging technologies such as artificial intelligence, digital health tools, and patient-generated data to deliver evidence-based knowledge and behavior change to patients across Canada at scale. The framework is flexible to enable new technologies to be added without overwhelming providers, patients or implementers.
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 | 0,294 | 0,224 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,008 |
| Bibliométrie | 0,019 | 0,011 |
| Études des sciences et des technologies | 0,007 | 0,021 |
| Communication savante | 0,020 | 0,025 |
| Science ouverte | 0,013 | 0,021 |
| Intégrité de la recherche | 0,012 | 0,013 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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.
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 ».