A Technology Selection Tool Applying Multiple Criteria Decision Analysis for Virtual Care Implementation
Notice bibliographique
Résumé
Objective: To develop and pilot a technology selection tool (TST) designed to evaluate and recommend virtual care technologies tailored to specific community clinical needs. Patients and Methods: Developed through collaborations among clinicians, software developers, technology experts, and health administrators, the TST uses a multiple criteria decision analysis framework to recommend technologies based on clinical relevance and technical quality. Its functionality was tested in a pilot project that assessed 5 technologies for their application in virtual wound care to support a remote community in Saskatchewan, Canada. The pilot study was completed March 7, 2025, through July 28, 2025. Results: The TST identified the TeleVU Glass View as the optimal technology for virtual wound care. The TST generated product scores for the TeleVU Glass View (71.67), Teladoc Xpress (70.10), 19 Labs GALE (50.67), and TytoCare TytoKit (47.00), whereas disqualifying the Teladoc Lite Cart for not meeting the pass-fail portability criterion. TeleVU's high product score resulted primarily from its technological attribute quality scores for Telestration (10), Audio (9), Video (9), and Share Content (9), which were all determined as clinically relevant for virtual wound care. The pilot enabled real-time wound care support by connecting local clinicians with virtual teams. Conclusion: The TST offers a practical and adaptable tool to support evidence-based decision making for selecting technologies for specific clinical applications.
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 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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».