Synthèse Symposium international - Vers une formation repensée en santé numérique
Bibliographic record
Abstract
La transformation numérique du système de santé représente un défi majeur pour de nombreux pays du monde et implique de repenser en profondeur la formation de l’ensemble des professionnels et acteurs du secteur. Les technologies de l’information sont devenues critiques dans la prestation des soins et services, que ce soit à l'hôpital ou à domicile, du fait même de l’essor de la télésanté et de la numérisation des pratiques. Il s’agit d’une transformation qui affecte la santé comme de nombreux autres domaines et qui génère un nombre croissant de données numériques. Dans ce cadre, le besoin de compétences pour utiliser ces nouveaux dispositifs, mais aussi pour analyser et valoriser les données qui y sont liées, notamment à travers les méthodes de sciences des données et l’intelligence artificielle, se fait ressentir avec d’autant plus d’urgence et d’acuité. Au Québec, le projet de mise en oeuvre du Dossier santé numérique (DSN) illustre parfaitement les défis de la transformation numérique en santé, ainsi que le besoin pressant de développer la littératie numérique et les compétences associées à l’usage et la compréhension des technologies de l’information. À l’heure où le DSN s’apprête à être implanté dans de multiples organisations, il demeure crucial d’outiller adéquatement les équipes soignantes, aussi bien que les patients eux-mêmes, pour mobiliser efficacement le potentiel du numérique tout en amenuisant ses risques, tant sur les plans technologiques que sociaux et éthiques.Dans un tel contexte, s’est tenu le 28 novembre 2024 dans les locaux de l’Institut québécois d’intelligence artificielle (MILA) le symposium international Vers une formation repensée en santé numérique - de la réflexion à l’action, organisé par le Consortium Santé Numérique de l’Université de Montréal en partenariat avec le Fonds de recherche du Québec, le Mila, le Réseau santé numérique, le Consulat général de Suisse à Montréal, IVADO, le Centre de recherche du CHUM et l’Université deMontréal. Réunissant des experts du milieu universitaire, des ordres professionnels et des acteurs de terrain, ce symposium a permis de croiser les expériences locales et internationales pour réfléchir collectivement aux besoins de formation en santé numérique et proposer des pistes d'action concrètes pour le Québec. Vous trouverez en annexe un aperçu des programmesofferts dans plusieurs universités à travers le monde, réalisé sous forme de scan environnemental. Le présent document synthétise les réflexions et recommandations issues de cet événement marquant pour le secteur de la santé numérique.
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 | 0.008 | 0.028 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.005 | 0.007 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.010 | 0.006 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.091 | 0.012 |
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".