eStroke: How to Align Stakeholders and Reach Sustainability
Notice bibliographique
Résumé
There is a massive need for stroke treatment and rehabilitation in China. In 2018, Neusoft Medical cooperated with the State Engineering Laboratory of Internet Medical Diagnosis and Treatment Technology headed by Xuanwu Hospital to create the eStroke National Thrombolysis and Thrombectomy Image Platform (eStroke, in short). The primary objective of eStroke is to shorten the time of diagnosis for proper treatment in order to improve patient survival and reduce sequelae when the patient survives. After three years, the project is well underway but needs to scale up, as only 83 hospitals have joined, and only 13,000 patients have been served. No partner is satisfied. The project was set up as a public welfare project with an agreement not to charge users. Neusoft had hoped that eStroke's user base would grow and indirectly drive equipment sales such as CT and MRI machines. However, since eStroke does not directly generate profits, sales staff had no incentive to promote eStroke. Dr. Huang Feng, who is in charge of the eStroke project at Neusoft, plans to apply for a special marketing budget from Neusoft Medical in the annual budget review meeting to expand the scale of eStroke users rapidly. Still, the concerns and demands of various stakeholders of the eStroke platform are far more complicated than simply calling for investing more capital and increasing the workforce. How should Dr. Huang consider the claims of all stakeholders? How can he persuade the company to invest more? Will the new budget alone help eStroke expand quickly?
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 | 0,045 | 0,060 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,012 | 0,013 |
| Communication savante | 0,024 | 0,038 |
| Science ouverte | 0,004 | 0,038 |
| Intégrité de la recherche | 0,010 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,032 | 0,010 |
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 ».