Digital Health Readiness: Making Digital Health Care More Inclusive
Notice bibliographique
Résumé
This paper proposes an approach to assess digital health readiness in clinical settings to understand how prepared, experienced, and equipped individual people are to participate in digital health activities. Existing digital health literacy and telehealth prediction tools exist but do not assess technological aptitude for particular tasks or incorporate available electronic health record data to improve efficiency and efficacy. As such, we propose a multidomain digital health readiness assessment that incorporates a person's stated goals and motivations for use of digital health, a focused digital health literacy assessment, passively collected data from the electronic health record, and a focused aptitude assessment for critical skills needed to achieve a person's goals. This combination of elements should allow for easy integration into clinical workflows and make the assessment as actionable as possible for health care providers and in-clinic digital health navigators. Digital health readiness profiles could be used to match individuals with support interventions to promote the use of digital tools like telehealth, mobile apps, and remote monitoring, especially for those who are motivated but do not have adequate experience. Moreover, while effective and holistic digital health readiness assessments could contribute to increased use and greater equity in digital health engagement, they must also be designed with inclusivity in mind to avoid worsening known disparities in digital health care.
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 | 0,011 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,009 | 0,013 |
| Science ouverte | 0,001 | 0,018 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».