The Management Perspective in Digital Health Literature: Systematic Review
Notice bibliographique
Résumé
BACKGROUND: New digital health technologies are considered one solution to challenges in the health sector, which include rising numbers of chronic diseases and increased health spending. As digitalization in health care is still in its infancy, there are many unanswered questions about the impact of digital health on management. OBJECTIVE: This paper assesses the current state of knowledge in the field of digital health from a management perspective. It highlights research gaps within this field to determine future research opportunities. METHODS: A systematic review of digital health literature was conducted using 3 databases. The chosen articles (N=38) were classified according to a taxonomy developed for the purpose, and research gaps were identified based on the topic areas discussed. RESULTS: The literature review revealed a slight prevalence of practical (n=21, 55%) over theoretical (n=17, 45%) approaches. Most of the papers (n=23, 61%) deal with information technology (IT) and are, therefore, focused more on technology and less on management. The research question in most of the papers (n=31, 82%) deals with the creation of concepts, and very few (n=4, 11%) evaluate or even question existing solutions. Most consider the main reason for digitalization to be the optimization of operational processes (n=26, 68%), and 42% (n=16) deal with new business models. The topic area discussed most frequently was found to be eHealth (n=30, 79%). By contrast, the field of tech health with topics such as sensors receives the least attention (n=3, 8%), despite its significant potential for health care processes and strategy. CONCLUSIONS: Three main research propositions were identified. First, research into digital health innovation should not focus solely on the technology aspects but also on its implications for strategic and operational management. Second, the research community should target other domains besides eHealth. Third, we observed a lack of quantitative research on the real impact of digital health on organizations and their management. More quantitative evidence is required regarding the expected outcome and impact of the implementation of digital health solutions into our health care organizations.
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 | 0,022 | 0,114 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,005 |
| Bibliométrie | 0,039 | 0,033 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,002 |
| 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 ».