Soins liés à la COVID-19 en site non traditionnel de soins au Québec : une étude de cas à Laval
Bibliographic record
Abstract
Afin de répondre à l’augmentation des besoins au niveau des ressources hospitalières \ncausées par pandémie de la maladie à coronavirus de 2019 (COVID-19), différents sites non \ntraditionnels (SNT) ont été déployés au Québec et mondialement. Le SNT de la Place Bell a été \ndéployé à Laval durant la première vague de la pandémie et avait comme fonctions de libérer des \nlits en milieu hospitalier en accueillant des usagers atteints de la COVID-19. Le but de cette \nétude de cas était d’examiner la capacité du SNT de la Place Bell à remplir ces fonctions. Un \ndevis mixte convergent a été utilisé, incluant une analyse descriptive des données quantitatives \nainsi que des entrevues semi-dirigées auprès de sept participants, incluant des professionnels, des \nnon professionnels et un gestionnaire. \nMalgré un faible taux d’occupation et une ouverture tardive, le SNT a permis de libérer \n29% des lits occupés par des usagers atteints de la COVID-19 à l’hôpital. Le cout par nuit au site \nétait plus élevé qu’en centre d’hébergement et de soins de longue durée et que pour un autre SNT \ndans la province, mais moins élevé qu’en milieu hospitalier. En considérant le risque de \ntransmission de la maladie dans les milieux de vie et qu’une des options alternatives était de \ngarder les usagers en milieu hospitalier, le SNT semble avoir été un choix financier efficient. Le \nSNT a été un environnement favorable au déploiement d’une plus grande étendue de pratique \ninfirmière, en raison du haut ratio de personnel-patient, l’absence de médecin sur place et l’autoorganisation \ndu travail au site. \nEn conclusion, plusieurs éléments contribuent à l’efficience d’un SNT, dont son \ndéploiement rapide, la composition des équipes, le soutien offert aux employés et l’autonomie et \nl’indépendance du site.
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 | 0.003 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.004 |
| Science and technology studies | 0.007 | 0.003 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 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".