Usages des technologies de l'information et de communication pour la coordination des soins en cancérologie : État des connaissances. Quelles recommandations pour une implantation efficace ?
Bibliographic record
Abstract
La prise en charge du cancer est un problème de santé publique majeur, responsable sur le plan économique d’une part importante des dépenses en santé dans l’ensemble des pays développés. Aussi, les pouvoirs publics cherchent à identifier des innovations managériales permettant d’améliorer la prise en charge des patients atteints de cancer : à savoir améliorer leur qualité de vie, à moindre coût pour le système de soins, et dans un souci d’équité tant géographique que socioéconomique. C’est dans ce contexte qu’un projet est lancé à l’institut de cancérologie, Gustave Roussy (GR) proposant l’utilisation de tablettes électroniques comme outil d’amélioration de la coordination des soins. L’hypothèse faite est que ces technologies relevant de l’informatique mobile constituent un moyen efficace d’amélioration de la prise en charge grâce à un meilleur engagement du patient et une meilleure coordination entre celui-ci, son entourage et les professionnels de santé. L’objectif de cet article est en amont du démarrage effectif de ce projet de rassembler les connaissances existantes relatives aux usages de ces technologies de l’information mobile afin d’améliorer la coordination des soins dans un contexte de maladie chronique. À cet effet, nous avons mené une revue de littérature inspirée du modèle des synthèses réalistes de manière à inclure tout usage de l’informatique, mobile ou non, dans un contexte de maladie chronique. Ce choix se justifie par le peu d’études spécifiques à la cancérologie. Les résultats font état du nombre encore réduit de recherches portant sur des interventions à grande échelle, du manque d’évidence en faveur de leur valeur ajoutée, et de l’importance du contexte organisationnel dans lequel s’inscrit l’usage de cette technologie. Ils nous amènent à recommander la conception d’intervention de plus grande envergure tenant compte des aspects cliniques, organisationnels et politiques, et assurant un échantillonnage plus important. Il convient aussi de demeurer réaliste sur les hypothèses émises quant au bénéfice attendu de l’utilisation des technologies d’information mobiles et de privilégier des méthodes d’évaluation robustes et fiables.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.006 | 0.009 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.002 |
| Scholarly communication | 0.000 | 0.002 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".