International Collaboration to Develop a Remote Monitoring Web App for COVID-19 Patients in Armenia: Design and Development With Agile Methodology
Notice bibliographique
Résumé
BACKGROUND: COVID-19 has led to over 500 million cases and 6.2 million deaths around the world. Low- and middle-income countries (LMICs) like Armenia face unique infrastructure, financial, and capacity challenges that in many cases result in worse outcomes. Health care facilities across Armenia experienced a shortage of resources, including hospital beds and oxygen, which was further exacerbated by the war with neighboring Azerbaijan. Without a framework for home-based care, health care facilities were severely strained by COVID-19 patients who had prolonged oxygen requirements but were otherwise clinically stable. OBJECTIVE: This paper describes our approach to establishing an international collaboration to develop a web app to support home monitoring of patients with COVID-19 with persistent oxygen requirements. METHODS: The app was developed using a rapid, coordinated, and collaborative approach involving an international group of clinicians, developers, and collaborators. Health screening, monitoring, and discharge forms were developed into a lightweight OpenMRS web app and customized for the local Armenian context. RESULTS: The software was designed and developed over 2 months using human-centered design and agile sprints. Once live, 5087 patient records were created for 439 unique patients. CONCLUSIONS: This project suggests a promising framework for designing and implementing remote monitoring programs in LMICs, despite pandemic and geopolitical challenges.
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 | 0,001 |
| Études des sciences et des technologies | 0,002 | 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 ».