Evaluating learning health systems: a jurisdictional scan
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The Learning Health System (LHS) aims to improve healthcare by using continuous data analysis to create equitable, patient-centered, and cost-effective care. Evaluating LHS success is challenging due to real-world variability in execution and implementation and absence of clear metrics. We conducted an international jurisdictional scan to highlight common evaluation approaches, indicators, outcomes, challenges, and assumptions related to establishing counterfactuals in LHS evaluation. Evaluation outputs were categorized into four types: description, lessons learned, efficacy, and effectiveness. Frequencies and thematic analysis were used to describe LHSs, their evaluations, indicators of change, and lessons learned. 45 papers describing 44 LHSs were included. 30 papers shared lessons on LHS progress, 14 reported on efficacy during scaling, and none reported on effectiveness of sustained systems. Ingredients perceived to contribute to a successful LHS included engagement of key individuals, establishment of a LHS culture, data considerations, and contextual factors. Future evaluations should consider LHS maturity, utilize counterfactuals, and prioritize equity. Evaluating and addressing these gaps can fuel LHS effectiveness and ensure that diverse needs of patients and providers are met. Ultimately, structured and more standardized evaluation efforts could foster a culture of continuous learning and improvement, enabling health systems to better enhance population health outcomes and deliver high-quality, equitable care. • LHS evaluations varied by maturity, ranging from system description to lessons, efficacy, and effectiveness • Key ingredients for LHS success: engaged people, supportive culture, strong data, and context • There was limited focus on equity and minimal mention of counterfactuals in the approaches used to conduct LHS evaluations.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle