Finding digital health governance mechanism to support country’s health systems: Thailand case study
Notice bibliographique
Résumé
In 2010, a collaboration between the Ministry of Public Health and the World Health Organization Thailand highlighted the urgent need for an effective eHealth governance mechanism in the country. Despite efforts, a consensus-driven governance mechanism remains elusive. This research aimed to investigate suitable digital health governance models for Thailand by examining models from six countries (Malaysia, the Philippines, Australia, England, the USA and Canada) and gathering insights from stakeholders. In stage 1, research gathered data via literature reviews and interviews with 11 executives in Thailand's digital health sectors. The study of six countries showed diverse digital health governance influenced by political, cultural and health factors. Using the Broadband Commission's governance models, most participants preferred a dedicated digital health agency. They emphasized decisive leadership, collaboration to prevent silos and uniform health information standards. In Thailand, the Ministry of Public Health cannot oversee digital health solely but can lead in tandem with other bodies. Effective governance requires collaboration, leadership and the dedicated agency model, underscoring health information standards' significance. Stage 2 published the 'Digital Health Governance Model: Recommendation for Thailand Health Systems', presented to 101 high-level representatives. A survey indicated that over 90% of these stakeholders concurred with the study's findings and recommendations. The research suggests that while the Ministry of Public Health is central, it should not manage alone. Collaborative governance with consistent leadership is crucial for Thailand's digital health progression. Although the study lacked civil society input, its insights are pivotal for Thailand's digital health policy future.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».