Benchmarking de la gestion des achats et des stocks en milieu hospitalier : une démarche canadienne
Bibliographic record
Abstract
L’amélioration de la performance du secteur de la santé est un objectif prioritaire poursuivi dans tous les pays industrialisés qui doivent composer avec une croissance des coûts de ce secteur. Pour contraindre cette progression sans compromettre la qualité ou l’accessibilité des soins, de plus en plus d’établissements de santé voient dans les activités de la logistique hospitalière un réservoir d’économies potentielles. Les gestionnaires sont à la recherche de pratiques logistiques plus performantes d’où l’attrait pour des exercices de benchmarking. Par contre, la chaîne logistique du secteur de la santé présente des particularités qui font en sorte qu’il n’est pas suffisant de simplement transposer à ce secteur un outil de collecte des données d’une démarche de benchmarking déployée dans d’autres milieux. À partir de cinq rondes de benchmarking des activités de gestion des achats et des stocks menées dans des centres hospitaliers du Québec (Canada), cet article a pour objectif d’expliquer la nature de la démarche employée, les embûches rencontrées et les leçons qui peuvent être dégagées de chacune de ces phases de développement ainsi que de présenter certains des résultats obtenus. Les conclusions tirées vont au-delà du secteur de la santé ou de celui de la logistique pour interpeller les chercheurs et les praticiens qui désirent mener des exercices de benchmarking dans d’autres secteurs d’activités.
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 | 0.028 | 0.030 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.008 | 0.018 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.012 | 0.004 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.007 | 0.001 |
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".