La datafication des soins en maisons de santé
Bibliographic record
Abstract
L’article propose une analyse critique de la datafication des soins en maisons de santé pluriprofessionnelles (MSP) portant sur les décalages entre les objectifs de l’informatisation et les usages des données informatisées. S’appuyant sur l’analyse de matériaux qualitatifs (entretiens, observations et littérature grise), il interroge la capacité des technologies déployées en MSP à soutenir la coordination multidisciplinaire, d’une part, et à en visibiliser les effets sur la santé des patients, d’autre part. Les résultats présentés montrent que, malgré la volonté politique de labelliser des logiciels pluriprofessionnels, propices à la centralisation des informations sur les patients, les systèmes d’information examinés soutiennent principalement l’exercice de la médecine générale. Ils ne sont utilisés — sauf à de rares exceptions — que par les médecins généralistes. À l’inverse, ils ne tracent pas les activités des non-médecins, dont le travail est invisibilisé au fil du processus de mise en machine, de mise en données et de mise en chiffres de la coordination pluriprofessionnelle. La datafication des soins en maisons de santé relève donc en ce sens d’un pouvoir professionnel inégalement distribué : si certains médecins mobilisent les données informatisées pour faire reconnaître la qualité de leurs pratiques, les autres soignants peinent à s’approprier de tels usages du numérique.maison de santé pluriprofessionnelle, dossier informatisé, données de santé, professions de santé, coordination
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 | 0.026 | 0.052 |
| 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 | 0.011 |
| Scholarly communication | 0.015 | 0.019 |
| Open science | 0.003 | 0.010 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.010 | 0.002 |
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".