Analytical capacities at the heart of learning health systems: Conceptual framework based on a developmental literature review
Notice bibliographique
Résumé
INTRODUCTION: Practical models for learning health systems implementation often lack a clear understanding of the organizational capacities required to sustain continuous data-driven improvement cycles. Among these, analytical capacities are widely recognized but insufficiently conceptualized. This study aims to develop a comprehensive framework of analytical capacities in healthcare organizations. METHODOLOGY: A developmental literature review was conducted to identify empirical and conceptual articles related to data management, analytics, and use in healthcare organizations. 697 articles were screened and twelve studies met the inclusion criteria. Data extraction was performed independently by two researchers using a structured grid that included a framework for the initial conceptual classification of relevant data. A thematic analysis was then conducted on the classified data to identify and group underlying processes into distinct analytical capacities. The resulting descriptive model was refined through expert consultation and used to build the conceptual framework. RESULTS: Thirteen analytical capacities were identified, and then grouped into five categories according to their nature: data creation, data circulation, data preparation, data analysis, and data appropriation. A conceptual framework was developed to illustrate the relationships between these capacities and their role in a cyclical process of data-driven improvement. DISCUSSION AND CONCLUSION: The proposed framework characterizes the different analytical capacities and illustrates their interdependence, offering a practical tool for assessing and planning analytical development in healthcare organizations. It highlights the central role of data mobilization and supports the operationalization of learning health systems by making explicit the capacities that underpin organizational learning. It also lays the groundwork for developing maturity models specific to each analytical capacity, as well as for empirically validating the framework in real-world settings.
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 | 0,035 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,037 | 0,028 |
| Études des sciences et des technologies | 0,005 | 0,015 |
| Communication savante | 0,012 | 0,022 |
| Science ouverte | 0,003 | 0,007 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».