Bridging the Human Resource Gap in Primary Health Care Delivery Systems of Developing Countries With mHealth: Narrative Literature Review
Notice bibliographique
Résumé
BACKGROUND: Mobile health (mHealth) has the potential to solve human resource issues in the health care sector. mHealth is of particular interest in developing countries, where widespread mobile networks and access to devices are connecting people like never before. OBJECTIVE: The aim of this paper was to review published and unpublished literature, field projects, and pilot studies on mHealth usage in overcoming shortage of human health resources in developing countries. METHODS: A narrative literature review was undertaken using an iterative approach in extracting literature focused on mHealth and human health resources of low-income countries, especially India. The present review has undertaken comprehensive coverage of the work on related field projects that have been either published, accepted for publication, or pilot tested. RESULTS: This review presented the use of mHealth across various dimensions of primary health care, including data collection, disease surveillance, health education, supervision, monitoring, and feedback. Field studies of fast, error-free data collection and transmission using mHealth were also documented. New apps for supervision, monitoring, and utilization of innovative health education tools were documented in the current review. Practical limitations of mHealth and challenges set forth in developing countries included issues of data security, cost constraints, health provider privacy, and technical barriers. CONCLUSIONS: In the present review, we have documented a few mHealth projects that contribute to the proficient use of human resources. These projects pave the path for the efficient utilization of mHealth, offering solutions to emerging human resource challenges and simultaneously revamping the health care delivery in resource-limited settings.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».