How to Improve Information Technology to Support Healthcare to Address the COVID-19 Pandemic: an International Survey with Health Informatics Experts
Notice bibliographique
Résumé
OBJECTIVES: To identify the ways in which healthcare information and communication technologies can be improved to address the challenges raised by the COVID-19 pandemic. METHODS: The study population included health informatics experts who had been involved with the planning, development and deployment of healthcare information and communication technologies in healthcare settings in response to the challenges presented by the COVID-19 pandemic. Data were collected via an online survey. A non-probability convenience sampling strategy was employed. Data were analyzed with content analysis. RESULTS: A total of 65 participants from 16 countries responded to the conducted survey. The four major themes regarding recommended improvements identified from the content analysis included: improved technology availability, improved interoperability, intuitive user interfaces and adoption of standards of care. Respondents also identified several key healthcare information and communication technologies that can help to provide better healthcare to patients during the COVID-19 pandemic, including telehealth, advanced software, electronic health records, remote work technologies (e.g., remote desktop computer access), and clinical decision support tools. CONCLUSIONS: Our results help to identify several important healthcare information and communication technologies, recommended by health informatics experts, which can help to provide better care to patients during the COVID-19 pandemic. The results also highlight the need for improved interoperability, intuitive user interfaces and advocating the adoption of standards of care.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».