Thematic analysis of tools for health innovators and organisation leaders to develop digital health solutions fit for climate change
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVES: While ethicists have largely underscored the risks raised by digital health solutions that operate with or without artificial intelligence (AI), limited research has addressed the need to also mitigate their environmental footprint and equip health innovators as well as organisation leaders to meet responsibility requirements that go beyond clinical safety, efficacy and ethics. Drawing on the Responsible Innovation in Health framework, this qualitative study asks: (1) what are the practice-oriented tools available for innovators to develop environmentally sustainable digital solutions and (2) how are organisation leaders supposed to support them in this endeavour? METHODS: Focusing on a subset of 34 tools identified through a comprehensive scoping review (health sciences, computer sciences, engineering and social sciences), our qualitative thematic analysis identifies and illustrates how two responsibility principles-environmental sustainability and organisational responsibility-are meant to be put in practice. RESULTS: Guidance to make environmentally sustainable digital solutions is found in 11 tools whereas organisational responsibility is described in 33 tools. The former tools focus on reducing energy and materials consumption as well as pollution and waste production. The latter tools highlight executive roles for data risk management, data ethics and AI ethics. Only four tools translate environmental sustainability issues into tangible organisational responsibilities. CONCLUSIONS: Recognising that key design and development decisions in the digital health industry are largely shaped by market considerations, this study indicates that significant work lies ahead for medical and organisation leaders to support the development of solutions fit for climate change.
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.
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 | 0,002 |
| Études des sciences et des technologies | 0,000 | 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 découle