Quand et comment la cybersanté est un bon investissement pour les patients qui prennent en charge une maladie chronique
Bibliographic record
Abstract
Dans le présent article, on expose le rapport coût-efficacité des solutions de cybersanté et la nécessité d'en évaluer le rendement, comme on le fait systématiquement pour toute autre dépense importante. À cet effet, on aborde les théories actuelles pour expliquer quelques principes d'usage liés à l'adoption des technologies de l'information dans le milieu de la santé. Notamment, on réfléchit au modèle TEACH des critères d'adoption des technologies dans la santé et au modèle de prise en charge des maladies chroniques de Wagner. Selon l'hypothèse de départ du modèle TEACH, l'adoption de technologies exige du travail, dont il faut être conscient avant de commencer, et il faut mesurer les progrès réalisés en vue de vaincre l'augmentation de la charge de travail pour poursuivre le processus. De plus, grâce à ces deux modèles, on constate qu'il faut d'abord appliquer l'échange entre les coûts, le travail et les avantages obtenus (déterminés par des mesures) aux patients qui utilisent le système souvent et de manière continue (c'est-à-dire les personnes ayant une maladie chronique). Ces utilisateurs continus sont qualifiés de consommateurs de ressources de santé, ou consommateurs ayant une maladie chronique (les CMC). Dans le présent article, on démontre que les avantages sont supérieurs aux coûts seulement si on applique l'analyse aux patients CMC. Lorsqu'un système de cybersanté efficace aura été mis en place pour les patients CMC, on pourra étendre ce système directement à tous les patients et à d'autres intervenants.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.015 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.003 |
| Scholarly communication | 0.005 | 0.005 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.015 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".