Le niveau de maturité digitale de la chaîne logistique interne des établissements de santé de la province de Québec : une étude exploratoire
Bibliographic record
Abstract
La digitalisation interpelle autant les praticiens que les chercheurs depuis quelques années. Elle s’impose naturellement dans le domaine de la gestion de la chaîne logistique où la gestion des flux d’information occupe une place prépondérante. Au Québec (Canada), la digitalisation de la chaîne logistique des établissements de santé semble présenter des lacunes historiques : présence de stocks importants dans les différents maillons de la chaîne logistique combinée simultanément à des pénuries ou des ruptures de stocks. Pourtant, la digitalisation peut constituer une avenue prometteuse afin de rehausser la performance des établissements de santé. En considérant les investissements nécessaires afin d’opérer un tel virage, la digitalisation des chaînes logistiques doit être réalisée de manière stratégique afin d’en maximiser les bénéfices. Il devient donc important de réaliser un diagnostic de l’état des pratiques dans les établissements de santé afin de guider le choix des décideurs. Le présent article vise donc à répondre à la question de recherche suivante : quel est le niveau de maturité digitale de la chaîne logistique interne des établissements de santé de la province de Québec ? Afin de collecter les données nécessaires pour répondre à la question de recherche, un questionnaire visant à mesurer la maturité digitale de la chaîne logistique interne des établissements de santé sur quatre dimensions, soit l’automatisation, l’analyse prédictive des données, l’intégration clinique, et le leadership et la gouvernance, a été administré. Les analyses réalisées permettent de constater que le niveau de maturité digitale des établissements de santé est généralement bas. Conséquemment, des efforts importants sont à déployer pour atteindre un niveau de maturité supérieur. En particulier, le leadership et la gouvernance semblent jouer un rôle important. Ainsi, les décideurs doivent prendre le temps nécessaire de bien évaluer la présence de leadership avant d’amorcer des projets plus élaborés de digitalisation.
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 | 0.005 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.002 |
| Open science | 0.002 | 0.004 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 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".