Identifying technology industry-led initiatives to address digital health equity
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Objective: The COVID-19 pandemic has highlighted various barriers to health and the necessity of having access to digital health services. The technology industry can support addressing health barriers, promoting health equity and partnering with organizations to ensure access to digital health services for underserviced communities. The main objective of this study was to 1) identify what initiatives have been developed within the technology industry to address digital health equity; and to 2) determine whether these initiatives have been effective. Methods: A rapid review and a grey literature scan were conducted. The academic searches were performed using four databases, including Ovid MEDLINE, Scopus, CINAHL and PsychInfo. Two reviewers screened the articles for inclusion criteria. The grey literature scan was performed through Google and Million Short. Searches of technology industry initiatives were completed through scanning technology companies listed on the New York Stock Exchange, the Toronto Stock Exchange and iShares Expanded Tech Sector - Exchange Traded Fund. Results: Within the technology industry, 39 companies had relevant initiatives. These were identified as having one or more of the following: 1) having health-related collaborations with other companies, 2) promoting access to technology infrastructure and 3) delivering programs that supported notable inequities within the social determinants of health. Limited data are available on the effectiveness of these initiatives in reducing health inequities. Conclusions: As technology in the delivery of health services continues to evolve, health equity initiatives must be supported through innovative strategies. Partnering with the technology industry may be one way of addressing these health equity challenges.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 découle