mHealth for Clinical Decision-Making in Sub-Saharan Africa: A Scoping Review
Notice bibliographique
Résumé
BACKGROUND: In a bid to deliver quality health services in resource-poor settings, mobile health (mHealth) is increasingly being adopted. The role of mHealth in facilitating evidence-based clinical decision-making through data collection, decision algorithms, and evidence-based guidelines, for example, is established in resource-rich settings. However, the extent to which mobile clinical decision support systems (mCDSS) have been adopted specifically in resource-poor settings such as Africa and the lessons learned about their use in such settings are yet to be established. OBJECTIVE: The aim of this study was to synthesize evidence on the use of mHealth for point-of-care decision support and improved quality of care by health care workers in Africa. METHODS: A scoping review of 4 peer-reviewed and 1 grey literature databases was conducted. No date limits were applied, but only articles in English language were selected. Using pre-established criteria, 2 reviewers screened articles and extracted data. Articles were analyzed using Microsoft Excel and MAXQDA. RESULTS: We retained 22 articles representing 11 different studies in 7 sub-Saharan African countries. Interventions were mainly in the domain of maternal health and ranged from simple text messaging (short message service, SMS) to complex multicomponent interventions. Although health workers are generally supportive of mCDSS and perceive them as useful, concerns about increased workload and altered workflow hinder sustainability. Facilitators and barriers to use of mCDSS include technical and infrastructural support, ownership, health system challenges, and training. CONCLUSIONS: The use of mCDSS in sub-Saharan Africa is an indication of progress in mHealth, although their effect on quality of service delivery is yet to be fully explored. Lessons learned are useful for informing future research, policy, and practice for technologically supported health care delivery, especially in resource-poor 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 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 | 0,025 | 0,096 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,018 | 0,018 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».