MétaCan
Menu
Retour à la cohorte
Enregistrement W3012329140 · doi:10.4018/ijhisi.2020070101

Rural Healthcare Delivery in Sub-Saharan Africa

2020· article· en· W3012329140 sur OpenAlexfundno aff
Nasir Faruk, N. T. Surajudeen-Bakinde, Abubakar Abdulkarim, Abdulkarim A. Oloyede, Lukman A. Olawoyin, Olayiwola W. Bello, Segun I. Popoola, Thierry Oscar Edoh

Notice bibliographique

RevueInternational Journal of Healthcare Information Systems and Informatics · 2020
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesSähkötekniikan Korkeakoulu, Aalto-yliopistoCovenant UniversityQueen's UniversityTertiary Education Trust FundBeijing University of Posts and TelecommunicationsUniversity of SussexAalto-YliopistoQueen's University BelfastOxford Brookes University
Mots-clésHealth careBusinessTelemedicineInformation and Communications TechnologyHealth promotionQuality (philosophy)PopulationPromotion (chess)Economic growthMedicineEnvironmental healthComputer sciencePolitical scienceWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

Access to quality healthcare is a major problem in Sub-Saharan Africa with a doctor-to-patient ratio as high as 1:50,000, which is far above the recommended ratio by the World Health Organization (WHO) which is 1:600. This has been aggravated by the lack of access to critical infrastructures such as the health care facilities, roads, electricity, and many other factors. Even if these infrastructures are provided, the number of medical practitioners to cater for the growing population of these countries is not sufficient. In this article, how information and communication technology (ICT) can be used to drive a sustainable health care delivery system through the introduction and promotion of Virtual Clinics and various health information systems such as mobile health and electronic health record systems into the healthcare industry in Sub-Saharan Africa is presented. Furthermore, the article suggests ways of attaining successful implementation of telemedicine applications /services and remote health care facilities in Africa.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,757
Score d'incertitude au seuil0,743

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,002
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,048
Tête enseignante GPT0,372
Écart entre enseignants0,324 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations32
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Healthcare Information Systems and InformaticsMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207