Global eHealth capacity: secondary analysis of WHO data on eHealth and implications for kidney care delivery in low-resource settings
Notice bibliographique
Résumé
OBJECTIVE: To describe the use of electronic health (eHealth) in support of health coverage for kidney care across International Society of Nephrology (ISN) regions. DESIGN: Secondary analysis of WHO survey on eHealth as well as use of data from the World Bank, and Internet World Stats on global eHealth services. SETTING: A web-based survey on the use of eHealth in support of universal health coverage. PARTICIPANTS: 125 WHO member states provided response. PRIMARY OUTCOME MEASURES: Availability of eHealth services (eg, electronic health records, telehealth, etc) and governance frameworks (policies) for kidney care across ISN regions. RESULTS: The survey conducted by the WHO received responses from 125 (64.4%) member states, representing 4.4 billion people globally. The number of mobile cellular subscriptions was <100% of the population in Africa, South Asia, North America and North East Asia; the percentage of internet users increased from 2015 to 2020 in all regions. Western Europe had the highest percentage of internet users in all the periods: 2015 (82.0%), 2019 (90.7%) and 2020 (93.9%); Africa had the least: 9.8%, 21.8% and 31.4%, respectively. The North East Asia region had the highest availability of national electronic health record system (75%) and electronic learning access in medical schools (100%), with the lowest in Africa (27% and 39%, respectively). Policies concerning governance aspects of eHealth (eg, privacy, liability, data sharing) were more widely available in high-income countries (55%-93%) than in low-income countries (0%-47%), while access to mobile health for treatment adherence was more available in low-income countries (21%) than in high-income countries (7%). CONCLUSION: The penetration of eHealth services across ISN regions is suboptimal, particularly in low-income countries. Increasing utilisation of internet communication technologies provides an opportunity to improve access to kidney education and care globally, especially in low-income countries.
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 | 0,013 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,015 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».