MétaCan
Menu
Retour à la cohorte
Enregistrement W4406220794 · doi:10.4102/jphia.v15i1.769

Leveraging digital health systems maturity assessments to guide strategic priorities

2024· article· en· W4406220794 sur OpenAlexaff
Phiona Vumbugwa, Nancy Puttkammer, Moira Majaha, Andrew Likaka, Sonora Stampfly, Paul Biondich, Jennifer Shivers, Kendi Mburu, Olusegun O. Soge, Chris T. Longenecker, Jan Flowers, Caryl Feldacker

Notice bibliographique

RevueJournal of Public Health in Africa · 2024
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensCentre for Global Health Research
Organismes subventionnairesCenters for Disease Control and PreventionPATH
Mots-clésMaturity (psychological)Capability Maturity ModelComputer scienceProcess managementBusinessPolitical science

Résumé

récupéré en direct d'OpenAlex

Background: Many low- and middle-income countries (LMICs) face the daunting task of digitising, maturing and deciding where to invest in digital health systems. Aim: Describing the facilitators and barriers to conducting digital health maturity assessments and how health leaders can prioritise the assessments. Setting: eHealth leaders from 10 African countries, working or supporting Ministries of Health's digital health and participating in the eHealth Leaders' Forum from July 2023 to September 2023. Methods: This qualitative, descriptive study utilised key informant interviews conducted via Zoom with 14 conveniently selected leaders. We used Dedoose Version 9.0 to develop themes based on the health system's building blocks. Results: Participants identified maturity assessments as a critical first step to digital health strengthening, showing the system's performance and building a baseline response to systematic data quality challenges. Barriers to conducting digital health maturity assessment include lacking collaborators' buy-in, fragmented vision, overdependence on donor priorities, non-supportive policies and an inadequately skilled workforce. Facilitators include multi-stakeholder engagement, understanding the country's digital health ecosystem and appropriately integrating maturity assessment objectives. Recommendations include capacity building in data use and conducting maturity assessments at all health system levels to grow the demand and value of digital health strengthening. Conclusion: Promoting digital health maturity assessments can help leaders to make appropriate decisions to prioritise areas of improvement and steward maturity advancement as a pathway to strengthening the health system. Contribution: We spotlight the perspectives of African eHealth leaders, centering voices on the barriers, facilitators to planning and recommendations for implementing digital health systems maturity assessments.

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)0,015
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Intégrité de la recherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,923
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0150,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0010,000
Intégrité de la recherche0,0000,002
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 Opus0,228
Tête enseignante GPT0,495
Écart entre enseignants0,267 · 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.

Devis d'étudeSans objet
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

Citations4
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Public Health in AfricaMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207