A roadmap for the implementation of mHealth innovations for image-based diagnostic support in clinical and public-health settings: a focus on front-line health workers and health-system organizations
Notice bibliographique
Résumé
BACKGROUND: Diagnostic support for clinicians is a domain of application of mHealth technologies with a slow uptake despite promising opportunities, such as image-based clinical support. The absence of a roadmap for the adoption and implementation of these types of applications is a further obstacle. OBJECTIVES: This article provides the groundwork for a roadmap to implement image-based support for clinicians, focusing on how to overcome potential barriers affecting front-line users, the health-care organization and the technical system. METHODS: A consensual approach was used during a two-day roundtable meeting gathering a convenience sample of stakeholders (n = 50) from clinical, research, policymaking and business fields and from different countries. A series of sessions was held including small group discussions followed by reports to the plenary. Session moderators synthesized the reports in a number of theme-specific strategies that were presented to the participants again at the end of the meeting for them to determine their individual priority. RESULTS: There were four to seven strategies derived from the thematic sessions. Once reviewed and prioritized by the participants some received greater priorities than others. As an example, of the seven strategies related to the front-line users, three received greater priority: the need for any system to significantly add value to the users; the usability of mHealth apps; and the goodness-of-fit into the work flow. Further, three aspects cut across the themes: ease of integration of the mHealth applications; solid ICT infrastructure and support network; and interoperability. CONCLUSIONS: Research and development in image-based diagnostic pave the way to making health care more accessible and more equitable. The successful implementation of those solutions will necessitate a seamless introduction into routines, adequate technical support and significant added value.
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 | 0,088 | 0,068 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,006 | 0,003 |
| Études des sciences et des technologies | 0,010 | 0,009 |
| Communication savante | 0,023 | 0,027 |
| Science ouverte | 0,006 | 0,025 |
| Intégrité de la recherche | 0,021 | 0,022 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,030 | 0,007 |
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 ».