Exploring Literature on Data Governance in the Health Care of Older Persons: Scoping Review
Notice bibliographique
Résumé
Background: Health data are growing rapidly, and the processing of such data is evolving. Research on data governance in older persons' health care is unexplored, providing little guidance for practice and future studies. Objective: This scoping review aimed to synthesize available information on data governance in the context of older persons' health based on evidence from literature. Methods: The study followed the methodological framework of Arksey and O'Malley and PRISMA-ScR (Preferred Reporting Items for Systematic Reviews and Meta-Analyses Extension for Scoping Reviews). Online databases, namely, PubMed, Cochrane, Ovid, ACM, IEEE Xplore, and Google Scholar were searched by 2 independent reviewers (AG and AMB) for studies on older persons' health data governance published from January 2000 to April 2024. The independent reviewers performed the search, screening, data extraction, and review of full-text papers. A third reviewer (YP) made the final decision for unresolved discrepancies between the first 2 reviewers. The framework by the World Health Organization Pan American Health Organization, a high-level framework for planning and implementing data governance in public health, was used in the data extraction and analysis. Descriptive statistics were used, and a descriptive approach was used to summarize the results of the scoping review. Results: A total of 9840 titles were identified and 57 papers were included. Of these, 35 (61.4%) focused on technology, 19 (33.3%) on processes, and 3 (5.3%) on people. Data controller, processor, researchers, data subject or patient (including family or relatives), and relevant organizations were involved in older persons' data governance. Data governance frameworks were designed and implemented by reviewing the current evidence, involving the stakeholders throughout the process, implementing specific procedures (eg, collection and aggregating health data), and monitoring and evaluating them. Conclusions: The review underscores the importance of the involvement of relevant stakeholders and the use of various innovative tools and approaches in governing data related to the health of older persons. Meanwhile, research specifically addressing data governance for older persons' health conditions is limited. To enhance health outcomes for older persons, effective data governance is essential, alongside further research on relevant policies and practices.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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 ».