Bibliographic record
Abstract
Énoncé La gestion de la chaîne logistique de la santé fait l’objet périodiquement de nombreuses études à l’échelle de l’Amérique du Nord. Plus spécifiquement, la chaîne de la fourniture médicale est fréquemment étudiée. La fourniture médicale est un ensemble de produits peu complexes comme des aiguilles, seringues, compresses, etc., mais elle comprend aussi des articles plus élaborés comme des défibrillateurs. Ils constituent donc des intrants critiques de la prestation de soins. Malgré la simplicité apparente de ces articles, un établissement de santé peut consommer 10 000 codes de produits différents associés à la grande famille de la fourniture médicale. Cette chaîne est considérée comme l’une des plus coûteuses tout en offrant un faible niveau de service des fournisseurs quand on compare sa performance à celle de secteurs comme le commerce de détail ou la distribution alimentaire (Beaulieu et Roy, 2019 ; Ebel et al. , 2013). La pandémie de la Covid-19 n’a naturellement pas inversé cette situation. Toutefois, la pandémie a été une occasion pour un établissement de mener une expérimentation qui n’avait alors jamais été tentée dans le secteur québécois de la santé : partager des prévisions de consommation de produits avec des fournisseurs afin de trouver des solutions à des ruptures de stock des équipements de protection individuelle anticipées. En collaboration avec un partenaire universitaire, cet établissement de santé explore la possibilité d’étendre cette stratégie collaborative à un nombre plus important de produits et de fournisseurs.
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 | 0.005 | 0.012 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.005 | 0.009 |
| Science and technology studies | 0.004 | 0.005 |
| Scholarly communication | 0.015 | 0.013 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.004 | 0.003 |
| Insufficient payload (model declined to judge) | 0.038 | 0.006 |
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".