A Free, Open-Source, Offline Digital Health System for Refugee Care
Notice bibliographique
Résumé
BACKGROUND: Rise of conflict, extreme weather events, and pandemics have led to larger displaced populations worldwide. Displaced populations have unique acute and chronic health needs that must be met by low-resource health systems. Electronic health records (EHRs) have been shown to improve health outcomes in displaced populations, but need to be adapted to meet the constraints of these health systems. OBJECTIVE: The aim of this viewpoint is to describe the development and deployment of an EHR designed to care for displaced populations in low-resource settings. METHODS: Using a human-centered design approach, we conducted in-depth interviews and focus groups with patients, health care providers, and administrators in Lebanon and Jordan to identify the essential EHR features. These features, including modular workflows, multilingual interfaces, and offline-first capabilities, led to the development of the Hikma Health EHR, which has been deployed in Lebanon and Nicaragua. RESULTS: We report the successes and challenges from 12 months of Hikma Health EHR deployment in a mobile clinic providing care to Syrian refugees in Bekaa Valley, Lebanon. Successes include the EHR's ability to (1) increase clinical efficacy by providing detailed patient records, (2) be adaptable to the threats of COVID-19, and (3) improve organizational planning. Lessons learned include technical fixes to methods of identifying patients through name or their medical record ID. CONCLUSIONS: As the number of displaced people continues to rise globally, it is imperative that solutions are created to help maximize the health care they receive. Free, open-sourced, and adaptable EHRs can enable organizations to better provide for displaced populations.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».