Digital Health Solutions and State of Interoperability: Landscape Analysis of Sierra Leone
Notice bibliographique
Résumé
BACKGROUND: The government and partners have invested heavily in the health information system (HIS) for service delivery, surveillance, reporting, and monitoring. Sierra Leone's government launched its first digital health strategy in 2018. In 2019, a broader national innovation and digital strategy was launched. The health pillar direction will use big data and artificial intelligence (AI) to improve health care in general and maternal and child health in particular. Understanding the number, distribution, and interoperability of digital health solutions is crucial for successful implementation strategies. OBJECTIVE: This paper presents the state of digital health solutions in Sierra Leone and how these solutions currently interoperate. This study further presents opportunities for big data and AI applications. METHODS: All the district health management teams, all digital health implementing organizations, and a stratified sample of 72 (out of 1284) health facilities were purposefully selected from all health districts and surveyed. RESULTS: The National Health Management Information System's (NHMIS's) aggregate reporting solution populated by health facility forms HF1 to HF9 was, by far, the most used tool. A health facility-based weekly aggregate electronic integrated disease surveillance and response solution was also widely used. Half of the health facilities had more than 2 digital health solutions in use. The different digital health software solutions do not share data among one another, though aggregate reporting data were sent as necessary. None of the respondents use any of the health care registries for patient, provider, health facility, or terminology identification. CONCLUSIONS: Many digital health solutions are currently used at health facilities in Sierra Leone. The government can leverage current investment in HIS from surveillance and reporting for using big data and AI for care. The vision of using big data for health care is achievable if stakeholders prioritize individualized and longitudinal patient data exchange using agreed use cases from national strategies. This study has shown evidence of distribution, types, and scale of digital health solutions in health facilities and opportunities for leveraging big data to fill critical gaps necessary to achieve the national digital health vision.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».