Les cartes à puce dans le domaine de la santé : leçons et défis
Bibliographic record
Abstract
Résumé Cet article présente les principales leçons tirées de l’expérimentation de la carte à puce dans le domaine médical au Québec. Ces cartes permettent aux professionnels de partager de l’information clinique et peuvent également servir à des fins administratives. L’expérimentation à grande échelle faite à Rimouski a permis de vérifier l’impact de cette technologie de même que son potentiel d’adoption. Durant cette expérience, la carte à puce était utilisée strictement à des fins cliniques. Les études faites dans le cadre de ce projet montrent que l’adoption de la technologie dépend fortement des avantages que les professionnels en tirent et du caractère systématique de l’utilisation de la carte par les clients du système de santé. Par ailleurs, les différences entre le projet actuellement mis en avant par la Régie de l’assurance maladie du Québec et le projet-pilote fait à Rimouski sont soulignées. Le projet actuel ajoute notamment une finalité administrative à la carte et propose l’utilisation de bases de données pour stocker l’information. Durant le projet de Rimouski, l’information était stockée sur la carte. Ces différences sont prises en considération dans l’analyse des défis auxquels fait face le projet actuel.
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 | 0.053 | 0.085 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.006 |
| Science and technology studies | 0.009 | 0.010 |
| Scholarly communication | 0.016 | 0.008 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.013 | 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".