Towards Equitable and Resilient Digital Primary Care Systems: An International Comparison and Insight for Moving Forward
Notice bibliographique
Résumé
OBJECTIVE: While the COVID-19 pandemic provided a global stimulus for digital health capacity, its development has often been inequitable, short-term in planning, and lacking in health system coherence. Inclusive digital health and the development of resilient health systems are broad outcomes that require a systematic approach to achieving them. This paper from the IMIA Primary Care Informatics Working Group (WG) provides necessary first steps for the design of a digital primary care system that can support system equity and resilience. METHODS: We report on digital capability and growth in maturity in four key areas: (1) Vaccination/Prevention, (2) Disease management, (3) Surveillance, and (4) Pandemic preparedness for Australia, Canada, and the United Kingdom (data from England). Our comparison looks at seasonal influenza management prior to COVID-19 (2019-20) compared to COVID-19 (winter 2020 onwards). RESULTS: All three countries showed growth in digital maturity from the 2019-20 management of influenza to the 2020-21 year and the management of the COVID-19 pandemic. However, the degree of progress was sporadic and uneven and has led to issues of system inequity across populations. CONCLUSION: The opportunity to use the lessons learned from COVID-19 should not be wasted. A digital health infrastructure is not enough on its own to drive health system transformation and to achieve desired outcomes such as system equity and resilience. We must define specific measures to track the growth of digital maturity, including standardized and fit-for-context data that is shared accurately across the health and socioeconomic sectors.
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».