Mobile Health Initiatives in Vietnam: Scoping Study
Notice bibliographique
Résumé
BACKGROUND: Mobile health (mHealth) offers a promising solution to the multitude of challenges the Vietnamese health system faces, but there is a scarcity of published information on mHealth in Vietnam. OBJECTIVE: The objectives of this scoping study were (1) to summarize the extent, range, and nature of mHealth initiatives in Vietnam and (2) to examine the opportunities and threats of mHealth utilization in the Vietnamese context. METHODS: This scoping study systematically identified and extracted relevant information from 20 past and current mHealth initiatives in Vietnam. The study includes multimodal information sources, including published literature, gray literature (ie, government reports and unpublished literature), conference presentations, Web-based documents, and key informant interviews. RESULTS: We extracted information from 27 records from the electronic search and conducted 14 key informant interviews, allowing us to identify 20 mHealth initiatives in Vietnam. Most of the initiatives were primarily funded by external donors (n=15), while other initiatives were government funded (n=1) or self-funded (n=4). A majority of the initiatives targeted vulnerable and hard-to-reach populations (n=11), aimed to prevent the occurrence of disease (n=12), and used text messaging (short message service, SMS) as part of their intervention (n=14). The study revealed that Vietnamese mHealth implementation has been challenged by factors including features unique to the Vietnamese language (n=4) and sociocultural factors (n=3). CONCLUSIONS: The largest threats to the popularity of mHealth initiatives are the absence of government policy, lack of government interest, heavy dependence on foreign funding, and lack of technological infrastructure. Finally, while current mHealth initiatives have already demonstrated promising opportunities for alternative models of funding, such as social entrepreneurship or private business models, sustainable mHealth initiatives outside of those funded by external donors have not yet been undertaken.
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 | 0,014 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,012 | 0,020 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».