Le cycle de vie pour prioriser les patients aux soins intensifs en contexte extrême de pandémie : défis éthiques et pratiques
Bibliographic record
Abstract
Dans le contexte extrême d’une pandémie, lorsque les besoins en ressources de soins intensifs dépassent l’offre, les travailleurs de la santé sont contraints de faire des choix déchirants pour déterminer qui vit et qui meurt. Un protocole de triage pour prioriser l’accès aux lits de soins intensifs a été élaboré au Québec pour guider les décisions d’allocation des ressources.Le but de cet article est d’aborder les défis de l’utilisation de l’âge dans les décisions de triage, sous la forme de la règle de décision du « cycle de vie », pour départager des patients qui auraient la même priorité d’accès étant donné leur condition clinique similaire.Après les explications sur le fonctionnement des protocoles de triage pour l’accès aux soins intensifs en contexte extrême de pandémie, dont celui du Québec, nous analysons la question de l’application de la règle de décision du cycle de vie. L’analyse de cette règle passe par une exploration des divers arguments concernant l’utilisation de l’âge comme critère dans les décisions de triage. Ensuite, nous présentons un consensus d’expert issu de plusieurs itérations qui a permis de proposer une stratégie d’application uniforme de la règle de décision du cycle de vie.L’utilisation de l’âge dans les décisions de triage pour l’accès aux soins intensifs comporte des défis tant conceptuels que pratiques. Plusieurs stratégies de l’utilisation de l’âge existent : comme prédicteur indépendant de la survie, pour la maximisation des années de vie, en tant que limite équitable selon l’argument du fair innings, selon les cycles de vie. Chacune propose des arguments spécifiques qui appellent à différentes interprétations de la justice. Il émerge du consensus d’expert une seule interprétation possible de la règle de décision du cycle de vie : celle de l’équité intergénérationnelle. La stratégie développée considère qu’au moins 25 ans doivent séparer les générations pour en respecter l’esprit.Sans être parfaite, la stratégie permet d’appliquer de manière cohérente l’équité intergénérationnelle. Des recherches plus poussées sont nécessaires pour valider les protocoles de triage qui sont développés pour prioriser l’accès aux soins intensifs en contexte de pandémie.
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 | 0.009 | 0.005 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.002 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.004 |
| Insufficient payload (model declined to judge) | 0.002 | 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".