Challenges in the development of digital public health interventions and mapped solutions: Findings from a scoping review
Notice bibliographique
Résumé
Background: "Digital public health" has emerged from an interest in integrating digital technologies into public health. However, significant challenges which limit the scale and extent of this digital integration in various public health domains have been described. We summarized the literature about these challenges and identified strategies to overcome them. Methods: We adopted Arksey and O'Malley's framework (2005) integrating adaptations by Levac et al. (2010). OVID Medline, Embase, Google Scholar, and 14 government and intergovernmental agency websites were searched using terms related to "digital" and "public health." We included conceptual and explicit descriptions of digital technologies in public health published in English between 2000 and June 2020. We excluded primary research articles about digital health interventions. Data were extracted using a codebook created using the European Public Health Association's conceptual framework for digital public health. Results and analysis: Overall, 163 publications were included from 6953 retrieved articles with the majority (64%, n = 105) published between 2015 and June 2020. Nontechnical challenges to digital integration in public health concerned ethics, policy and governance, health equity, resource gaps, and quality of evidence. Technical challenges included fragmented and unsustainable systems, lack of clear standards, unreliability of available data, infrastructure gaps, and workforce capacity gaps. Identified strategies included securing political commitment, intersectoral collaboration, economic investments, standardized ethical, legal, and regulatory frameworks, adaptive research and evaluation, health workforce capacity building, and transparent communication and public engagement. Conclusion: Developing and implementing digital public health interventions requires efforts that leverage identified strategies to overcome diverse challenges encountered in integrating digital technologies in public health.
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 | 0,079 | 0,246 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,042 | 0,046 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,014 | 0,014 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,005 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».