MétaCan
Menu
Retour à la cohorte
Enregistrement W4388827161 · doi:10.5539/cis.v16n4p21

Electronic Health System Integration Framework for Secure M-Health Services: A Case of University of Nairobi Hospital

2023· article· en· W4388827161 sur OpenAlexvenueno aff
Samuel Nandasaba, Gregory Wanyembi, Geoffrey Mariga Wambugu

Notice bibliographique

RevueComputer and Information Science · 2023
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesMount Kenya University
Mots-clésConfidentialityComputer scienceDesign science researchInformation systemHealthcare systemData collectionUniversity hospitalPopulationHealth careKnowledge managementComputer securityMedicineMedical emergencySociologyEngineeringEnvironmental health

Résumé

récupéré en direct d'OpenAlex

The purpose of this article sought to design a secure framework that can be used in M-Health systems development. The researcher used the integrated information theory as a framework for enforcing system security as a holistic approach. To actualize this study, objectives that were meant to guide in carrying out the research were: To evaluate the significance of Confidentiality, Integrity and availability on the security of M-health systems and to develop a framework for secure integration of M-Health systems. The researcher used University of Nairobi Hospital because of ease of accessibility and financial resources available to conduct the research. The study adopted a cross section survey design methodology that included a sample size of 44 ICT personnel and users of University Health System at the University of Nairobi Hospital. Data collection methods were observation, conducting interviews and filling questionnaires that were administered to the target population in the University Hospital. The target population were handed the questionnaires and had them filled. The filled in questionnaires were then picked later from the respondents. SPSS version 23 was used for data analysis, then presented in frequency tables, bar charts, pie charts and standard deviation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,896
Score d'incertitude au seuil0,958

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,016
Tête enseignante GPT0,358
Écart entre enseignants0,342 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueComputer and Information ScienceMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207