MétaCan
Menu
Retour à la cohorte
Enregistrement W4413071940 · doi:10.2196/68613

Understanding Health Information Systems Utilization Across Public Health Centers in Indonesia: Cross-Sectional Study

2025· article· en· W4413071940 sur OpenAlexvenueno aff
Dewi Nur Aisyah, Agus Heri Setiawan, Chyntia Aryanti Mayadewi, Alfiano Fawwaz Lokopessy, Zisis Kozlakidis, Logan Manikam

Notice bibliographique

RevueJMIR Medical Informatics · 2025
Typearticle
Langueen
DomaineHealth Professions
ThématiqueElectronic Health Records Systems
Établissements canadiensnon disponible
Organismes subventionnairesWorld Health Organization
Mots-clésPreprintCross-sectional studyPublic healthMedicineEnvironmental healthComputer scienceWorld Wide WebNursing

Résumé

récupéré en direct d'OpenAlex

Background: The primary health care service in Indonesia consists of 10,260 public health centers (Puskesmas), which play a major role in providing health care in the community, recording and reporting health data using digital health information systems (HIS) or manual reports. The utilization of HIS across Puskesmas is crucial to capture the dynamic evolution of health problems and monitor interventions, thus providing effective primary health care services for the community. Objective: This paper provides a national-level baseline mapping of HIS utilization in Indonesian Puskesmas. It evaluates the number of HIS used, associated challenges, and contextual factors influencing system adoption. Methods: A cross-sectional survey was carried out covering all Puskesmas across 34 Indonesian provinces between January and February 2022. The questionnaire covered a list of HIS used by Puskesmas, which developed the HIS, and the utilization and challenges during HIS implementation. Descriptive statistical analysis and bivariate analysis were applied. Results: A total of 2606 (25.5%) public health centers across 34 provinces participated in this study. On average, Puskesmas reported using 30 different HIS platforms, with notable variation across provinces and islands. Most systems (n=62,060, 72.94%) were developed by national ministries, though local governments and third parties also contributed. Despite 91.5% of respondents reporting that HIS aligned with their needs and 90% claiming data use for decision-making, many centers faced operational barriers: 49% (n=132,300) of systems required excessive data entry, 33% (n=89,100) experienced frequent downtime, and 29% (n=78,300) lacked automated analysis features. In terms of the infrastructure supporting HIS implementation, 9.45% (n=138) of Puskesmas have no access to the internet, while only 28.9% (n=422) have access to robust and efficient internet connections. As for the human resources, the study reveals that each health personnel manages up to six different HIS for data reporting tasks, 74.30% (n=1133) of Puskesmas only received training at the initial system's implementation stage, and 80.51% (n=1225) of respondents report the existence of an informal knowledge transfer process among the staff. The bivariate analysis shows that Puskesmas with the characteristics of being located in Java island and urban areas possessed higher accreditation levels, had more training and knowledge transfer, and had a greater chance to use >30 HIS. Conclusions: This descriptive study highlights substantial fragmentation in Indonesia's HIS environment and reveals critical disparities in system infrastructure, usability, and workforce capacity. Recommendations should be tailored to different contexts: offline-compatible systems and basic digital literacy training are needed in rural areas, while urban Puskesmas may benefit from advanced integration and analytics tools. Future research should address HIS interoperability, impact assessment, cost-effectiveness, and qualitative user experience through longitudinal and mixed methods studies to guide Indonesia's digital health transformation.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,027

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,008
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,261
Tête enseignante GPT0,519
Écart entre enseignants0,257 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Medical InformaticsMême sujetElectronic Health Records SystemsTravaux en français237 207