I've got 99 problems but a phone ain't one: Electronic and mobile health in low and middle income countries
Notice bibliographique
Résumé
Mobile technology is very prevalent in Kenya-mobile phone penetration is at 88% and mobile data subscriptions form 99% of all internet subscriptions. While there is great potential for such ubiquitous technology to revolutionise access and quality of healthcare in low-resource settings, there have been few successes at scale. Implementations of electronic health (e-Health) and mobile health (m-Health) technologies in countries like Kenya are yet to tackle human resource constraints or the political, ethical and financial considerations of such technologies. We outline recent innovations that could improve access and quality while considering the costs of healthcare. One is an attempt to create a scalable clinical decision support system by engaging a global network of specialist doctors and reversing some of the damaging effects of medical brain drain. The other efficiently extracts digital information from paper-based records using low-cost and locally produced tools such as rubber stamps to improve adherence to clinical practice guidelines. By bringing down the costs of remote consultations and clinical audit, respectively, these projects offer the potential for clinics in resource-limited settings to deliver high-quality care. This paper makes a case for continued and increased investment in social enterprises that bridge academia, public and private sectors to deliver sustainable and scalable e-Health and m-Health solutions.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,006 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».