Identification, Ranking and Prioritization of Decision-Making Criteria for the Early Adoption of Innovative Surgical Technologies into the Canadian Healthcare System: A Multi-Criteria Decision Analysis
Bibliographic record
Abstract
Introduction: En 2020, le Canada a consacré 12,9 % de son PIB aux soins de santé, dont 3 % aux dispositifs médicaux. L'adoption précoce de dispositifs chirurgicaux innovants est principalement le fait des médecins et un retard dans l'adoption peut priver les patients de traitements médicaux importants. De nombreux chirurgiens au Canada ont des priorités et des critères différents pour fonder leurs décisions concernant l'adoption d'une nouvelle technologie chirurgicale innovante dans leur pratique. Cependant, l'absence de critères unifiés fondés sur des données probantes pour les décisions d'adoption de technologies au stade précoce au Canada affecte la qualité des soins de santé et l'allocation des ressources. L'objectif de cette étude est d'identifier et de hiérarchiser les critères de définition des priorités afin de guider les décideurs dans l'adoption de nouvelles technologies chirurgicales.Méthodes:La première étude était une étude de portée générale réalisée conformément aux lignes directrices PRISMA-ScR en matière d'établissement de rapports. La stratégie de recherche comprenait les provinces canadiennes, les différents domaines chirurgicaux et l'adoption. Les données ont été analysées en rapportant les critères utilisés pour l'adoption de la technologie. Enfin, une analyse thématique par catégorisation sous-thématique a été effectuée pour classer les critères trouvés. La deuxième étude était une analyse décisionnelle multicritère utilisant une méthodologie mixte à l'aide de deux questionnaires. Le premier questionnaire a été élaboré et envoyé à 12 experts pour valider et identifier d'autres critères/sous-critères. Le deuxième questionnaire a été élaboré et envoyé à 33 experts pour classer les sous-critères et hiérarchiser les principaux critères (domaines). Les sous-critères ont été classés à l'aide de la méthode d'élicitation par classement direct (échelle de Likert) et les domaines ont été hiérarchisés à l'aide de la méthode d'élicitation par composition et par comparaison de poids, le modèle du processus de hiérarchie analytique. Les réponses ont été analysées pour les 33 experts et une sous-analyse a été réalisée pour les chirurgiens uniquement et les non-chirurgiens. La cohérence des réponses a été estimée à l'aide du ratio de cohérence (CR). L'ANOVA a été utilisée pour évaluer la signification des résultats entre les trois groupes.Résultats:Au total, 155 études ont été trouvées. Sept études portaient sur des hôpitaux spécifiques et 148 études provenaient de quatre provinces où les sites web des comités d'évaluation des technologies sont accessibles au public (Alberta, Colombie-Britannique, Ontario et Québec). Sept domaines et 44 sous-critères ont été identifiés. L'analyse a révélé que les résultats cliniques avaient le vecteur de priorité le plus élevé (0,429), suivi par la pertinence pour les patients et le public (0,135). Viennent ensuite les critères propres à l'hôpital (0,099), puis les critères propres à la technologie (0,092) et aux médecins (0,087). Les vecteurs les moins prioritaires sont les critères économiques (0,083) et les politiques et procédures (0,075). Le CR est de 0,006 (inférieur à 0,10), ce qui indique un consensus dans les réponses. L'analyse statistique avec ANOVA a comparé les réponses de tous les participants aux chirurgiens uniquement et aux non chirurgiens et a trouvé une valeur p supérieure à 0,05 indiquant que les résultats ne sont pas statistiquement significatifs parmi tous les groupes.Conclusion:Le Canada ne dispose pas d'un cadre universel de critères pondérés pour la prise de décision au stade de l'adoption précoce de nouvelles technologies. Le classement des sous-critères et l'identification des domaines prioritaires ouvrent la voie à une approche systématique de la prise de décision. L'intégration de ces critères dans un cadre aidera les chirurgiens et les décideurs à prendre des décisions éclairées pour les stratégies d'adoption
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
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 teacher head, 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".