RégulateurConcept NCIt

N3-AUTOINDEXEE
La répartition géographique des internes en médecine générale : un outil de régulation des lieux d’installation ?
https://www.insee.fr/fr/statistiques/8186048?sommaire=8186084
https://www.insee.fr/fr/statistiques/fichier/8186048/02_ES542_Silhol_FR.pdf
Depuis 2004, les internes en médecine générale sont répartis entre les universités à l’issue du concours de l’internat à partir de leurs vœux, du classement au concours et du nombre de postes ouverts dans chaque université. L’importante réallocation des postes d’internes intervenue entre 2004 et 2007 est mobilisée comme une expérience naturelle, afin d’évaluer l’effet de la répartition des internes sur la répartition géographique des installations. Nous estimons qu’une augmentation d’un point de pourcentage de la part des internes affectés à une université est associée, en moyenne, à une augmentation de 0,4 point de pourcentage de la part de généralistes libéraux issus de ces promotions installés douze ans plus tard dans la zone de l’université. L’étude montre que le lieu de naissance constitue aussi un déterminant important du lieu d’installation. Recruter des étudiants en médecine originaires de déserts médicaux pourrait donc constituer une façon de les renforcer en médecins.
2024
INSEE - Institut National de la Statistique et des Etudes Economiques
France
article de périodique
établissement
médecine de famille
quel mois est-ce maintenant ?
médecine interne
Équipement
géographe
distribution géographique
médecin (médecine interne)
régulateur
médecine générale
interniste
médecine interne
géographie
tumeur fusiforme thyroïdienne avec éléments d'allure thymique
Préparer
outil
biomédecine

---
N3-AUTOINDEXEE
Intérêt de l’intelligence artificielle pour l’extraction automatisée des patients présentant un traumatisme crânien notifié dans le dossier de régulation médicale du SAMU 33
https://dumas.ccsd.cnrs.fr/dumas-03907401
Introduction : Le diagnostic d’un traumatisme crânien (TC) en préhospitalier est délicat, mais l’utilisation de paramètres et d’informations préhospitalières couplés au paradigme de l’apprentissage automatique pourrait améliorer la performance des modèles de prédiction et aider au triage des patients. Nous avons développé et testé un algorithme d’apprentissage profond pour classer les dossiers mentionnant un TC sur les données de régulation médicale. Matériel et méthode : Il s’agit d’une étude monocentrique rétrospective et transversale. Cette étude a été conduite dans le Service d’Aide Médicale d’Urgence (SAMU) du centre hospitalier universitaire de Bordeaux. Les données tirées des dossiers de régulation médicales entre 2009 et 2021 ont été annotées comme traumatisme crânien ou non puis analysées par le modèle. Résultats : un total de 1000 patients a été inclus dans l’analyse finale, avec une proportion de TC de 6,6%. Le modèle présentait une aire sous la courbe ROC de 0.97 (0,943-1) pour l’efficacité de classification des TC. Le modèle une fois validé a été appliqué sur l’ensemble du corpus des dossiers de régulation médicale pour une analyse descriptive sur la répartition des TC. Conclusion : le modèle d’apprentissage automatique a démontré une performance exceptionnelle pour la classification des TC parmi les dossiers de régulation médicale du SAMU 33. Des études supplémentaires sont nécessaires pour la prédiction des TC telles que la prédiction du pronostic ou de la sévérité pour aider à l’orientation des patients en préhospitalier.
2022
DUMAS - Dépôt Universitaire de Mémoires Après Soutenance
France
thèse ou mémoire
services des urgences médicales
a comme patient
patient
traumatismes cranioencéphaliques
régulateur
extraction
intelligence artificielle
traumatisme
Notification
blessure
patients
dossiers médicaux
dossiers médicaux
crânial
robot
papillomavirus humain type 33
intelligence
extraction
automatisme
machine d'état
traumatisme
automatique
crâne, sai
Automatisme
Allèle sauvage FCGR2C
intelligence artificielle

---