Research impact assessment of a Canadian digital health funding program: a case study
Notice bibliographique
Résumé
BACKGROUND: Digital innovations have the potential to enhance equitable access to health systems, improve care integration and support learning health systems. Research funders make substantial investments in digital health research to advance the uptake of evidence-informed digital solutions within health systems, yet their impacts on health and health system outcomes, health equity, policy and practice remain poorly understood. Research impact assessments (RIAs) serve as a vital tool for funders to examine the links between research investments and real-world change. The Canadian Institutes of Health Research commissioned an RIA on its largest digital health program, the eHealth Innovations Partnership Program (eHIPP), to understand the program's outputs and impacts. METHODS: This study applied two complementary frameworks, the Canadian Academy of Heath Science's (CAHS) Making an Impact Framework and the Canadian Health Services and Policy Research Alliance's (CHSPRA) Informing Decision-Making Framework, to assess the research impact of the eHIPP program, funded from 2015 to 2021. A mixed-methods approach was taken to collect and analyse data from eHIPP grant recipients and their partners. RESULTS: The eHIPP program supported 22 research teams through a total investment of CAD$ 42M. The RIA revealed impacts in the areas of capacity development, knowledge creation, informing decision-making and health outcomes. The teams generated 36 co-designed, evidenced-informed solutions, 79 publications, 194 presentations and 38 media interviews or articles. Solutions were reported to influence health system practice (52%) and policy (33%), improve health outcomes (62%), enhance equitable access to care (62%), improve patient (62%) and provider experience (52%), increase cost-effectiveness (52%), enhance population health (48%) and improve health equity (43%). CONCLUSIONS: This RIA study highlights the importance of stakeholder collaboration, robust partnerships and co-design approaches in effectively integrating patient-centred digital health solutions into health systems. These elements are key to advancing the Quintuple Aim (improved cost, population health and equity and experience of patients and providers) and supporting evidence-informed decisions. This paper presents a first case study applying the CAHS and CHSPRA frameworks to assess the impacts of a large digital health funding program. Further, it explores the program's outcomes and impacts and highlights considerations, successes and challenges for funders when applying RIA.
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 | 0,038 | 0,047 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,012 |
| Études des sciences et des technologies | 0,022 | 0,007 |
| Communication savante | 0,009 | 0,003 |
| Science ouverte | 0,005 | 0,010 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».