A digital health platform to manage COVID-19: decentralizing technology to empower rural and remote jurisdictions
Notice bibliographique
Résumé
INTRODUCTION: The variation of coronavirus disease (COVID-19) outbreaks across rural and remote jurisdictions makes it imperative to invest in scalable digital health platforms to not only minimize the impact of subsequent COVID-19 outbreaks, but also to utilize such approaches to predict and prevent future communicable and non-communicable diseases. METHODS: The methodology of the digital health platform comprised: (1) Ethical Real-Time Surveillance to Monitor Risk: evidence-based artificial intelligence-driven individual and community risk assessment of COVID-19 by engaging citizens using their own smartphones; (2) Citizen Empowerment and Data Ownership: active engagement of citizens using smartphone application (app) features, while enabling data ownership; and (3) Privacy: development of algorithms that store sensitive data directly on mobile devices. RESULTS: The result is a community-engaged, innovative, and scalable digital health platform, with three key features: (1) Prevention: this feature is based on risky and healthy behaviours, and has the sophistication to continuously engage citizens; (2) Public Health Communication: based on their risk profile and behaviour, citizens receive specific public health communication that helps them make informed decisions; and (3) Precision Medicine: risk assessment and behaviour modification is individualized so that the frequency, type, and intensity of engagement is based on individual risk profile. DISCUSSION: This digital health platform enables the decentralization of digital technology to effect systems-level changes. With more than 6 billion smartphone subscriptions globally, digital health platforms enable direct engagement with large populations in near real-time to monitor, mitigate, and manage public health crises, particularly in rural communities that do not have equitable access to health services.
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 | 0,004 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,004 |
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 ».