La résilience de l’hôpital du Mali face à la Covid-19 dans un contexte de pénuries
Bibliographic record
Abstract
Objectif : L’objectif de cette recherche était de rendre compte des stratégies de résilience mobilisées par l’Hôpital du Mali face à la maladie à coronavirus (COVID-19).Méthode : Les données collectées ont concerné une période correspondant aux premiers mois de gestion de la pandémie à l’hôpital (avril - juillet 2020). Au total, 32 entretiens semi-directifs et 53 séances d’observation ont été réalisés. Les analyses se sont appuyées sur un cadre conceptuel et ont été menées selon l’approche déductive.Résultats : Les résultats montrent que, face aux multiples effets de la COVID-19 tels que l’aggravation de la pénurie du personnel et de la charge de travail, le besoin de créer des infrastructures dédiées, la baisse drastique des recettes liée à la baisse de fréquentation de l’hôpital, le personnel a mis en place de multiples stratégies (ex. réduction ou report de certaines dépenses, réquisition de bâtiment, recrutements de contractuels et le redéploiement du personnel fonctionnaire). La mise en place de ces stratégies a globalement permis de maintenir l’accès aux soins des patients, même si les restrictions ont été nombreuses pour les patients non COVID-19. L’hôpital a été en mesure de s’inscrire dans une résilience absorptive.Conclusion : Cette recherche qualitative a permis une meilleure compréhension des faits liés à la gestion de la COVID-19 en milieu hospitalier, et notamment de sa résilience. Les leçons tirées de la recherche devraient permettre de concevoir, à l’avenir, des réponses plus adaptées et plus efficaces pour faire face aux pandémies.
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 | 0.002 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 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".