Frameworks for Implementation, Uptake, and Use of Cardiometabolic Disease–Related Digital Health Interventions in Ethnic Minority Populations: Scoping Review
Notice bibliographique
Résumé
BACKGROUND: Digital health interventions have become increasingly common across health care, both before and during the COVID-19 pandemic. Health inequalities, particularly with respect to ethnicity, may not be considered in frameworks that address the implementation of digital health interventions. We considered frameworks to include any models, theories, or taxonomies that describe or predict implementation, uptake, and use of digital health interventions. OBJECTIVE: We aimed to assess how health inequalities are addressed in frameworks relevant to the implementation, uptake, and use of digital health interventions; health and ethnic inequalities; and interventions for cardiometabolic disease. METHODS: SCOPUS, PubMed, EMBASE, Google Scholar, and gray literature were searched to identify papers on frameworks relevant to the implementation, uptake, and use of digital health interventions; ethnically or culturally diverse populations and health inequalities; and interventions for cardiometabolic disease. We assessed the extent to which frameworks address health inequalities, specifically ethnic inequalities; explored how they were addressed; and developed recommendations for good practice. RESULTS: Of 58 relevant papers, 22 (38%) included frameworks that referred to health inequalities. Inequalities were conceptualized as society-level, system-level, intervention-level, and individual. Only 5 frameworks considered all levels. Three frameworks considered how digital health interventions might interact with or exacerbate existing health inequalities, and 3 considered the process of health technology implementation, uptake, and use and suggested opportunities to improve equity in digital health. When ethnicity was considered, it was often within the broader concepts of social determinants of health. Only 3 frameworks explicitly addressed ethnicity: one focused on culturally tailoring digital health interventions, and 2 were applied to management of cardiometabolic disease. CONCLUSIONS: Existing frameworks evaluate implementation, uptake, and use of digital health interventions, but to consider factors related to ethnicity, it is necessary to look across frameworks. We have developed a visual guide of the key constructs across the 4 potential levels of action for digital health inequalities, which can be used to support future research and inform digital health policies.
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 | 0,094 | 0,300 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,007 | 0,012 |
| Bibliométrie | 0,029 | 0,023 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,012 | 0,011 |
| Science ouverte | 0,006 | 0,008 |
| Intégrité de la recherche | 0,006 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».