“How to Save a Life”: A Premortem for Pediatric Digital Health
Notice bibliographique
Résumé
Objective: Digital health tools (e.g., apps, text messaging, telehealth, and social media) have been employed with pediatric populations for approximately two decades. As such, digital health is a scientifically mature field, ready for critical evaluation of the challenges and opportunities of using technology to equitably improve child health and health care. This commentary describes the application of a premortem exercise to forecast failures (i.e., “causes of death”) of pediatric digital health and strategies to prevent them. Method: With a convenience sample of trainees and early-, mid-, and later-career pediatric psychology professionals interested in digital health ( n = 14), we conducted a one-time, premortem exercise (i.e., a collaborative discussion to envision a failure and work backward) to brainstorm potential threats and opportunities for advancing pediatric digital health. Results: We came to consensus on five core themes related to digital health threats and opportunities: (a) We became stuck in proving efficacy and did not make an impact; (b) We assumed we knew more than youth and their families; (c) We replicated, exacerbated, or created new disparities compared to in-person care; (d) We underestimated the importance of a human touch; and (e) We did not know how to advocate for digital health as a clinical transformation. Conclusion: This commentary serves as a discussion point for identifying the strategic priorities of today (e.g., designing tools collaboratively with youth, planning for clinical implementation from inception) that can advance the development and impact of digital health tools and services for pediatric populations. Implications for Impact Statement With input from pediatric psychologists who participated in a one-time “premortem” exercise (i.e., a collaborative discussion to envision the failure of digital health and work backward), this commentary reflects on today’s challenges and recommendations for promoting youth health via digital health approaches (e.g., apps).
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 | 0,006 | 0,069 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».