Digital health technologies and inequalities: A scoping review of potential impacts and policy recommendations
Notice bibliographique
Résumé
Digital health technologies hold promises for reducing health care costs, enhancing access to care, and addressing labor shortages. However, they risk exacerbating inequalities by disproportionately benefitting a subset of the population. Use of digital technologies accelerated during the Covid-19 pandemic. Our scoping review aimed to describe how inequalities related to their use were conceptually assessed during and after the pandemic and understand how digital strategies and policies might support digital equity. We used the PRISMA Extension for scoping reviews, identifying 2055 papers through an initial search of 3 databases in 2021 and complementary search in 2022, of which 41 were retained. Analysis was guided by the eHealth equity framework. Results showed that digital inequalities were reported in the U.S. and other high-income countries and were mainly assessed through differences in access and use according to individual sociodemographic characteristics. Health disparities related to technology use and the interaction between context and technology implementation were more rarely documented. Policy recommendations stressed the adoption of an equity lens in strategy development and multilayered and intersectoral collaboration to align interventions with the needs of specific subgroups. Finally, findings suggested that evaluations of health and wellbeing distribution related to the use of digital technologies should inform digital strategies and health policies.
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 | 0,026 | 0,071 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,007 |
| Bibliométrie | 0,022 | 0,018 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».