Advancing environmentally sustainable learning health systems: Perspectives from a Canadian health center
Notice bibliographique
Résumé
Background: There is increasing demand for health systems to reduce greenhouse gas emissions and invest in climate-resilient health care. Coordinating organizational structures and processes for reducing health system emissions presents challenges. Learning health systems, defined as systems that seek to continuously generate and apply evidence, innovation, quality, and value in health care, can guide health systems with planning organizational structures and processes to advance environmentally sustainable healthcare. The purpose of this research is to gather in-depth insight from key health system leaders and healthcare professionals to identify challenges and recommendations for planning environmentally sustainable learning health systems. Methods: Environmental scan methods were used, comprising jurisdictional literature review and informal discussions with key informants at one tertiary care center in Nova Scotia, Canada. Key informants were asked to describe challenges of coordinating environmentally sustainable health system structures and processes, and recommendations to advance planning for environmentally sustainable learning health systems. Deductive thematic analysis was used to categorize challenges and recommendations into seven characteristics of a learning health system framework. Results: Informal discussions with 16 key informants provide detailed descriptions of 7 challenges and recommendations for planning and coordinating organizational structures and processes to advance environmentally sustainable learning health systems. Health system challenges include limited patient and community engagement, no systematic approach to measuring and monitoring emissions data, and limited knowledge of sustainability co-benefits and strategies for mobilizing sustainable organizational change. Recommendations include engaging patients and communities in co-creation of sustainable healthcare, monitoring of emissions data identifying high-impact areas for action, and well-coordinated leadership supporting sustainable policies, procedures, and decision-making in practice. Conclusion: Learning health systems provide structure for establishing critical processes to adapt to routinely collected data through rapid cycle improvements, and operationalization of value-based health care that prioritizes health outcomes, reduction of costs, and mitigating environmental impacts.
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 | 0,012 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,054 | 0,013 |
| Communication savante | 0,014 | 0,004 |
| Science ouverte | 0,004 | 0,011 |
| Intégrité de la recherche | 0,005 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,000 |
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.
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 ».