Application d'un modèle de simulation et d'analyse de sensibilité à l'évaluation d'un projet de numérisation des dossiers patients
Notice bibliographique
Résumé
Le présent mémoire traite de l'évaluation financière de projets d'investissement publics mutuellement exclusifs dans le domaine de la santé. Il s'agit d'un projet de numérisation des dossiers patients du centre hospitalier de l'université de Sherbrooke (CHUS). La remise en cause de certains modèles et méthodes traditionnels d'évaluation de projets d'investissements tels que l'analyse coûts-bénéfices et la VAN, nous a amené à proposer une démarche d'évaluation financière multifactorielle à l'intérieur d'une même analyse de projet. Cette démarche vise à déterminer un résultat probabiliste, ce qui offre aux gestionnaires la possibilité de prendre des décisions stratégiques optimales en matière d'investissement. Cette démarche est basée sur le modèle traditionnel de la VAN en complémentarité avec l'application des modèles des options réelles et une analyse de sensibilité du projet par la simulation Monte Carlo. La combinaison de ces différentes méthodes permet de prendre en compte d'une part, les fluctuations possibles des différentes variables qui peuvent avoir une influence considérable sur le projet et d'autre part, évaluer les possibilités d'options offertes par les projets. Le présent mémoire est divisé en trois grandes parties dont, la première partie porte sur la recension des écrits dans la littérature financière. La seconde élabore sur la méthodologie utilisée et enfin la dernière partie aborde l'analyse du projet. Concernant le projet de numérisation des dossiers patients, il s'agit d'une extension des travaux débutés par Bahadi (2006), lesquels avaient abouti à cinq scénarios dont deux étaient jugés rentables (le scénario 1 avec une VAN de 3.005.473 $ et le scénario 4 avec une VAN de 88.369$ et un investissement initial de 1.080.000 $). En dépit de ces résultats, les gestionnaires avaient préféré choisir le scénario 4 en procédant à une réévaluation des flux financiers lesquels nous ont été soumis pour une analyse « post-mortem ». ______________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Évaluation des projets, Valeur actuelle nette, Options réelles, Simulation Monte-Carlo.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 ».