Digital Health Value Realization Through Active Change Efforts
Notice bibliographique
Résumé
Digital health has massive potential in health care but has been slow to evolve in comparison to other information-intensive industries, which have more readily taken advantage of new technology. One of the key barriers has been the complex relationship between the perceived return on investment for the investor and the resulting value to patients and caregivers. Those actors who pay for technologies do not always see an appreciable return for themselves, while those actors who must apply the technology to generate value are not always incentivized to do so. This misalignment across health system payers and administrators, clinicians and patients must be better understood and addressed to help accelerate digital health. This paper will examine this challenge through the clinician experience, using empirical case examples from Canada to illustrate opportunities for change. While many factors may influence digital health adoption, this paper specifically aims to explore the shifts in the balance of the perceived value of implementing digital health tools, vs. the efforts required to adopt them. It will explore two contrasting case examples: clinical adoption of EMRs in Canada from 2009 to 2015, and clinical adoption of virtual care technologies during the COVID-19 pandemic from 2020 to 2021. In 2006, Canada lagged peer countries significantly in the adoption of electronic medical records (EMR) in community-based care. Financial support and cooperation of multiple levels of government and clinical stakeholders were required to address the misaligned incentives, which led to significant uptake by care providers. The rapid adoption of virtual care in Canada in response to the pandemic provides another relevant example of the importance of alignment among the factors of clinical workflows, clinical appropriateness, technology integration and payment models. Experts have highlighted the need for standardization, regulation, and clear policy to ensure sustainable, high quality virtual care that complements in-person care. In both cases, the costs and effort of adopting new technologies outweighed direct clinician value, requiring change initiatives to catalyze progress. This imbalance could be unique to these examples in Canada, and may not be globally generalizable to the adoption of all digital health tools. However, how change efforts can be tailored to adjust to a rapidly evolving health care workforce, spanning diverse jurisdictions and stakeholder groups will be critical to the sustainability of virtual care adoption. Furthermore, what key elements must be considered to guide change initiatives for successful implementation, designed to influence change while adding value for patients, clinicians and Canada's health care systems? Using insights from successful change initiatives past and present, this paper aims to answer these questions to enable a smoother transition to digital health innovations of the future.
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 | 0,016 | 0,035 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,015 |
| Communication savante | 0,018 | 0,011 |
| Science ouverte | 0,002 | 0,013 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».