MétaCan
Menu
Retour à la cohorte
Enregistrement W4414361223 · doi:10.1080/16549716.2025.2547439

A systematic process to formulate quality lessons learned about hospital resilience during the COVID-19 pandemic

2025· article· en· W4414361223 sur OpenAlexafffundabout
R. Haddad, Christian Dagenais, Muriel Kielende, Aurélie Hot, Valéry Ridde

Notice bibliographique

RevueGlobal Health Action · 2025
Typearticle
Langueen
DomaineHealth Professions
ThématiqueDisaster Response and Management
Établissements canadiensUniversité de Montréal
Organismes subventionnairesJapan Science and Technology AgencyNational Institute on Deafness and Other Communication DisordersCanadian Institutes of Health ResearchAgence Nationale de la Recherche
Mots-clésPandemicResilience (materials science)Process (computing)Quality (philosophy)Health careCoronavirus disease 2019 (COVID-19)Systematic reviewPsychological resilienceMEDLINE

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The urgency of the COVID-19 pandemic forced hospitals to adjust swiftly to the health crisis. They adopted a variety of solutions and encountered numerous challenges. To enhance hospitals' readiness for future crises, the HoSPiCOVID research project documented the experiences of seven hospitals in five countries (Brazil, Canada, France, Japan, Mali) to extract quality lessons learned (QLLs). These were subsequently refined through workshops involving healthcare professionals. OBJECTIVES: The aim of this study was to examine the process of conducting QLL formulation workshops in the HoSPiCOVID hospitals to identify facilitators and barriers encountered. METHOD: = 13) were conducted with researchers and professionals in the five countries. Interview recordings were imported into NVivo software, transcribed, and thematically analyzed. RESULTS: Although the professionals participated actively in the workshops, group dynamics were sometimes impeded by existing power dynamics among participants. Nonetheless, professionals perceived the workshops as an optimal method for formulating QLLs. Distributing summary sheets of workshop content beforehand and ensuring the alignment of content with participants' needs enhanced the effectiveness of the process. CONCLUSION: Despite obstacles encountered in the workshops, participants appreciated the initiative of documenting QLLs using a structured approach in which the QLLs were refined and professionals were able to compare experiences. The QLLs formulated could improve hospitals' responses to future health crises. The recommendations from this study could also enhance the organization of future workshops aiming to formulate QLLs.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,110
score de la tête « metaresearch » (Gemma)0,156
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,110
Score d'incertitude au seuil0,584

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1100,156
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0040,003
Études des sciences et des technologies0,0100,009
Communication savante0,0090,007
Science ouverte0,0050,019
Intégrité de la recherche0,0030,005
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,157
Tête enseignante GPT0,585
Écart entre enseignants0,428 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueGlobal Health ActionMême sujetDisaster Response and ManagementTravaux en français237 207