Social Determinants of Health in Digital Health Policies: an International Environmental Scan
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
INTRODUCTION: Social Determinants of Health (SDoH) include factors such as economic stability, education, social and community context, healthcare access, and the physical environment, which shape an individual's health and well-being. Given that the inclusion of SDoH factors is essential in improving the quality and equity of digital health, this study aims to examine how SDoH is incorporated within digital health policies internationally. METHODS: An environmental scan of digital health policies was conducted, including relevant documents from multiple countries and global organizations. Key content related to SDoH was extracted from the documents, and a content analysis was conducted to identify seven different SDoH domains (i.e., target audience, SDoH inclusion, addressing health inequities, SDoH-related key performance indicators, data collection on SDoH, interoperability standards, and data privacy and security). Data were aggregated at the global and continental levels to integrate and synthesize information from different countries and regions. RESULTS: A total of 28 digital health policies or strategies were identified across 16 international regions. The comparative analysis of health policies regarding SDoH reveals a pronounced disparity between the continental regions. Although the World Health Organization recognizes the significance of key performance indicators for monitoring SDoH and emphasizes the assessment of national digital health maturity, there's a noticeable lack of continent-specific policies reflecting these global initiatives at the continental level. CONCLUSION: While some regional digital health strategies recognize SDoH, integration varies, and standardization is lacking. Future research should focus on data collection frameworks and comprehensive insights for policymakers.
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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 découle