How Health Care Systems Shape End-of-Life Care—A Step Toward Transparency
Notice bibliographique
Résumé
Our health care systems, in all their multifaceted complexities, are more influential in shaping the delivery of care than individual human effort or error.1,2 Influential system-level factors span many different domains: how we are paid, the buildings we work in, the technology around us, who and how many we have on the team caring for patients, our workload, and our local social networks of influence.Our understanding of these factors and how they shape patient care and outcomes remains rudimentary despite widespread acceptance of their importance.This knowledge gap around system factors is especially large in the field of serious illness and end-of-life care, where the longstanding focus has been on studying and improving individual-level communication between clinicians, patients, and their families.This focus is well justified and should continue.The goal of better end-of-life care is about better decisions, and it seems a reasonable hypothesis that this can be accomplished through better human interactions between those making these hard decisions.Yet, evidence suggests that even high-quality, point-of-care communication among patients, surrogates, and families often fails to overcome the underlying and underexplored system factors that drive care for patients with serious illness.3 Why are system-level factors so difficult to study and modify?Consider the parable from author David Foster Wallace's 2005 graduation address at Kenyon College.4 Two young fish meet an older
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 | 0,066 | 0,121 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,038 |
| Communication savante | 0,021 | 0,035 |
| Science ouverte | 0,004 | 0,014 |
| Intégrité de la recherche | 0,010 | 0,023 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».