Réflexion sur la rémunération médicale à l’ère de l’intelligence artificielle au Québec : impact des avancées technologiques sur la pratique médicale et enjeux juridiques et éthiques qu’elles soulèvent
Bibliographic record
Abstract
Cet essai propose une réflexion critique sur la pertinence du modèle de rémunération à l’acte des médecins au Québec, dans un contexte où les innovations technologiques, et plus particulièrement l’intelligence artificielle (IA), redéfinissent en profondeur la pratique médicale. À partir d’une analyse du cadre juridique et institutionnel qui encadre la rémunération médicale, l’auteure examine comment l’automatisation croissante de certaines tâches, notamment en radiologie, en ophtalmologie et en cardiologie, engendre des gains de productivité considérables sans pour autant que les mécanismes tarifaires ne soient ajustés en conséquence. L’essai met en lumière la manière dont cette dynamique accentue les disparités salariales entre les spécialités médicales, soulève des enjeux relatifs aux obligations déontologiques des médecins et remet en question les principes d’équité, de justice distributive et d’accessibilité qui fondent le système public de santé québécois. En conclusion, l’auteure plaide pour une révision systémique des modes de rémunération médicale afin d’assurer une meilleure cohérence entre innovation technologique, équité interspécialité et pérennité du système de santé public.
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 | 0.009 | 0.024 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.002 |
| Science and technology studies | 0.008 | 0.011 |
| Scholarly communication | 0.011 | 0.004 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.003 | 0.004 |
| Insufficient payload (model declined to judge) | 0.014 | 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".