EHealth Investment Appraisal in Africa: A Scoping Review
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
eHealth is an opportunity cost, competing for limited available funds with other health priorities such as clinics, vaccinations, medicines and even salaries. As such, it should be appraised for probable impact prior to allocation of funds. This is especially pertinent as recognition grows for the role of eHealth in attaining Universal Health Coverage. Despite optimism about eHealth's potential role, in Africa there remain insufficient data and skills for adequate economic appraisals to select optimal investments from numerous competing initiatives. The aim of this review is to identify eHealth investment appraisal approaches and tools that have been used in African countries, describe their characteristics and make recommendations regarding African eHealth investment appraisal in the face of limited data and expertise. Methods: Literature on eHealth investment appraisals conducted in African countries and published between January 1, 2010 and June 30, 2020 was reviewed. Selected papers' investment appraisal characteristics were assessed using the Joanna Briggs Institute checklist for economic evaluations and a newly developed Five-Case Model for Digital Health (FCM-DH) checklist for investment appraisal. 5 papers met inclusion criteria. Their assessments revealed important appraisal gaps. In particular, none of the papers addressed risk exposure, affordability, adjustment for optimism bias, clear delivery milestones, practical plans for implementation, change management or procurement, and only 1 paper described plans for building partnerships. Discussion: Using this insight, an extended 5-Case Model is proposed as the foundation of an African eHealth investment appraisal framework. This, combined with building local eHealth appraisal capabilities, may promote optimal eHealth investment decisions, strengthen implementations and improve the number and quality of related publications.
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 | 0,009 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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