Bibliographic record
Abstract
La gestion des opérations de santé est dédiée à l'amélioration des processus au sein des systèmes de santé pour optimiser la qualité des soins et améliorer les résultats pour les patients. Les défis de ce domaine prennent une complexité plus grande dans le soin de santé mentale. En réponse, j'ai conçu un cadre analytique pour examiner les effets des soins délivrés sur les résultats des patients psychiatriques. Cette thèse comprend trois études distinctes avec pour thèmes principaux la gestion des soins de santé mentale.Dans la première étude, j'investigue les caractéristiques opérationnelles des hôpitaux contribuant à la réadmission des patients en psychiatrie, peu après leur sortie. Je propose que la durée du séjour dans le service d'hospitalisation médie les effets des caractéristiques de l'hôpital sur le risque de réadmission. J'utilise un ensemble de données d'environ 15 000 patients en psychiatrie admis dans 25 hôpitaux au Québec, Canada, en utilisant un modèle probit ajusté pour l'endogénéité à travers des variables instrumentales pour conduire une analyse causale. J'ai illustré que le nombre de patients admis annuellement dans un hôpital, c'est-à-dire, le \emph{volume de patients}, augmente le risque de réadmission, tandis que ce risque diminue avec l'hôpital se spécialisant dans certaines classes de diagnostic, c'est-à-dire, le \emph{focus de l'hôpital}. Ces relations sont modérées par l'intensité de l'utilisation des ressources par les patients au service des urgences. De plus, une relation non linéaire entre la durée de séjour et le risque de réadmission est mise en évidence.Dans le deuxième projet, j'applique un cadre de Différence dans les Différences (DID) pour évaluer les effets causaux de la pandémie de COVID-19 sur les résultats des patients psychiatriques. Cette étude examine spécifiquement les changements dans la probabilité d'admission et le timing des retours aux urgences (ED), informée par un ensemble de données suivant les visites individuelles quotidiennement sur une période de trois ans. Le temps de retour à l'ED est le principal résultat d'intérêt qui est le temps entre deux visites successives à l'ED d'un patient. Cette quantité peut indiquer la qualité globale des soins que le patient reçoit lors de la visite à l'ED. L'analyse est segmentée par diverses étapes de la pandémie, avec le Tracker de Réponse Gouvernementale COVID-19 d'Oxford (OxCGRT) fournissant des insights sur l'impact des interventions politiques. Les résultats révèlent que la pandémie a réduit le temps de retour à l'ED des patients psychiatriques en diminuant leur probabilité d'hospitalisation. L'étude souligne l'interaction complexe entre une réduction des visites à l'ED, probablement due aux préoccupations de contracter le virus, et une demande accrue pour les soins psychiatriques d'urgence alors que les crises de santé mentale s'intensifiaient dans les conditions de pandémie.Dans la troisième étude, j'explore l'utilisation de techniques d'interprétabilité avancées appliquées aux modèles d'apprentissage profond, en particulier les Représentations de l'Encodeur Bidirectionnel à partir de Transformateurs (BERT), pour analyser les notes cliniques des patients psychiatriques afin de prédire les réadmissions à 30 jours dans un seul hôpital. J'illustre comment les modèles d'apprentissage machine (ML) peuvent dévoiler des détails perspicaces au sein des données non structurées des notes cliniques, aidant les prestataires de soins de santé à comprendre les conditions et les risques des patients. Plus spécifiquement, j'illustre comment les algorithmes ML prédisent la probabilité de réadmission à 30 jours d'un patient en détectant les mots les plus influents. De plus, je souligne comment ce chapitre peut pivoter vers l'intégration des approches d'analyse de texte dans les systèmes de support décisionnel des hôpitaux et explorer le potentiel des modèles de langage de grande taille (LLMs) pour affiner davantage l'analyse des récits cliniques pour des prédictions de résultats des patients plus précises
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 | 0.015 | 0.026 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.007 | 0.009 |
| Science and technology studies | 0.003 | 0.006 |
| Scholarly communication | 0.009 | 0.007 |
| Open science | 0.003 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.011 | 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".