Barriers and challenges to Primary Health Care Information System (PHCIS) adoption from health management perspective: A qualitative study
Notice bibliographique
Résumé
Enactment of a National Health Information System regulation in 2014 by the Indonesian government enabled the integration of healthcare data using electronic systems in the country. However, limited information was gained regarding the barriers from the healthcare management point of view that might cause slowness of adoption. We evaluated the implementation of the Primary Health Care Information System (PHCIS) in order to explore and describe the barriers and challenges during the adoption of Primary Health Care (PHC) from a health management perspective, and propose a PHCIS design to minimize the barriers. A qualitative form of research was conducted in an urban area of Banten Province from February–April 2018, as that area has gained experience of PHCIS implementation for more than five years. An in-depth interview was recorded to explore and describe the barriers during PHCIS adoption. Four themes of the barriers have been identified from a strategic and operational level perspective, namely: human resources, infrastructure, organizational support, and processing. Our analysis suggests that PHCIS adoption could be more effective if there were greater interaction between human resources, infrastructure, organizational support, and process factors. Hence, involvements including: strengthening staff competency, improving technology infrastructure, increasing organizational support with more investment for high-quality PHCIS, and re-designing the PHCIS to accommodate the basic process of PHC , might be beneficent to improve PHCIS adoption.
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 | 0,013 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,005 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».