Health on a Cloud: Modeling Digital Flows in an E-health Ecosystem
Notice bibliographique
Résumé
A unified and well-knit e-health network is one that provides a common platform to its key stakeholders to facilitate a sharing of information with a view to promoting cooperation and maximizing benefits. A promising candidate worthy of being considered for this ponderous job is the emerging ‘cloud technology’ with its offer of computing as a utility, which seems well-suited to foster such a network bringing together diverse players who would otherwise remain fragmented and be unable to reap benefits that accrue from cooperation. The e-health network serves to provide added value to its various stakeholders through syndication, aggregation and distribution of this health information, thereby reducing costs and improving efficiencies. Because such a network is in fact an interconnected ‘network of networks’ that delivers a product or service through both competition and cooperation, it can be thought of as a business ecosystem. . This study attempts to model the digital information flows in an e-health ecosystem and analyze the resulting strategic implications for the key players for whom the rules of the game are bound to change given their interdependent added-values. The ADVISOR framework is deployed to examine the values created and captured in the ecosystem. Based on this analysis, some critical questions that must be addressed as necessary preconditions for an e-Health Cloud, are derived. The paper concludes with the conjecture that “collaboration for value” will replace “competition for revenue” as the new axiom in the health care business that could ideally usher in a fair, efficient and sustainable ecosystem.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,032 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».