Bannière

Librairie

D’une société de cueilleurs-chasseurs à celle de la machine apprenante : quels impacts pour un système de santé apprenant dans les soins primaires?

Présenté par
En ligne

Retraite annuelle

D’une société de cueilleurs-chasseurs à celle de la machine apprenante : quels impacts pour un système de santé apprenant dans les soins primaires?

 

Objectifs :

À la fin de la présentation, les participant.es pourront :

  • Identifier les caractéristiques du domaine clinique que représentent les soins primaires;
  • Nommer certaines des dimensions du système santé apprenants;
  • Discuter les barrières et facilitateurs à la mise en œuvre d’un système apprenant dans les soins primaires au XX1ème siècle. 


Résumé :

Alors que nous avons des capacités technologiques et scientifiques inédites dans l’histoire de l’humanité afin d’améliorer la santé de la population et des individus qui la composent, il est essentiel de réfléchir à ce qui caractérise le domaine clinique des soins primaires et à ce qui définit un système de santé. Ceci permettra de distinguer les barrières et facilitateurs à la mise en œuvre d’un système apprenant dans les soins primaires au XXIème siècle. 

Biographie

Initialement formée comme architecte, Dre France Légaré pratique la médecine familiale au Québec depuis 1990 et est professeure titulaire au Département de médecine familiale et d'urgence de l'Université Laval, Québec. Elle est reconnue à l'échelle internationale comme leader dans la recherche sur la prise de décision partagée (PDS) et l'application des connaissances. En 2005, elle a obtenu un doctorat en santé des populations de l'Université d'Ottawa sous la supervision de Dre Annette O'Connor. 

Entre juin 2006 et mai 2016, Dre Légaré a été titulaire de la Chaire de recherche du Canada de niveau 2 en PDS et en application des connaissances. Depuis le 1er juin 2016, elle détient le titre de titulaire de la Chaire de recherche du Canada de niveau 1 en prise de décision partagée et en application des connaissances. 

Dre Légaré a été nommée chercheuse/co-chercheuse -principale pour 35 subventions et Co-I pour 49 subventions au cours des sept dernières années. Elle a publié plus de 363 articles, dont 343 sont indexés par PubMed, son indice H est de 69 et elle compte plus de 25 086 citations (Google Scholar). En 2017, 2018 et 2019, elle a été classée parmi le 1% de scientifiques les plus cités dans le monde (Clarivate Analytics), ce qui montre l'importance et l'utilité notable de ses travaux durant plusieurs années. Une analyse bibliométrique PDP a récemment identifié Dre France Légaré comme la personne qui a participé au plus grand nombre d’études (n-101) depuis 2009. Son programme de recherche vise à mettre en œuvre la PDP dans les pratiques cliniques en mettant l’accent sur les soins à domicile et les programmes de dépistage prénatal.

En plus de la PDP, des soins primaires et de l'application des connaissances, elle est également experte en science de la mise en œuvre et en science de la mise à l'échelle. Avec ses collègues, elle a mis au point plusieurs interventions de PDP pour différents contextes et a formé un grand nombre de professionnels de la santé. Par exemple, elle a formé plus de 270 médecins de famille à la gestion durable des maladies et à l'utilisation optimale des antibiotiques pour les infections respiratoires aiguës. Plus récemment, elle a formé plus de 600 professionnels de la santé à une approche interprofessionnelle de la PDP dans les soins à domicile. Enfin, son équipe a été la première à créer un inventaire en ligne des programmes de formation à la PDP, qui est régulièrement mis à jour. 

Enfin, son équipe a été la première à créer un inventaire en ligne des programmes de formation PDP, qui est mis à jour régulièrement. Consultez toutes ses initiatives de recherche sur http://www.decision.chaire.fmed.ulaval.ca/france-legare.

Retraite annuelle

Découvrir

Projet en vedette

Ce projet de recherche vise à développer un outil capable de générer automatiquement des segmentations d’organes d’intérêt sur des images tomodensitométriques, à partir de techniques d’apprentissage automatique (machine learning).

Lire plus