The climate impacts of healthcare digitalization: A scoping review
Notice bibliographique
Résumé
Objective: The rapid digitalization of healthcare has implications for its carbon footprint. The goal of this scoping review was to identify how digitalization is proceeding in healthcare and the mechanisms through which it can affect the climate impacts of healthcare. Methods: The scoping review was conducted following PRISMA guidelines and utilized the databases Web of Science and PubMed to identify literature on the climate impacts of digitalization in healthcare. The literature search identified 32 relevant studies. In addition, diagnostics, overdiagnosis, self-tracking technologies, and artificial intelligence (AI) were identified as key topics not sufficiently represented in the literature review, and related articles were added into the material. Results: Most carbon footprint analyses focused on telemedicine solutions, but research topics also included health informatics, education, diagnoses, overdiagnosis, treatments, medical appliances, robotics, and AI. Regarding telemedicine, the carbon footprint of the virtual consultations ranged between 0·005 and 3 kgCO2e, while the in-person healthcare clinic visits ranged between 0·57 and 178 kgCO2e depending on the mode of transport used, the difference in the carbon footprint being 79-99%. Although the transparency of carbon footprint analyses was often low, system boundaries were often different, and the evidence for digitalization decreasing or increasing climate impacts was limited. Conclusions: The findings highlight the need for future research on these topics and that leadership and setting strategic goals in particular were missing in the literature. Our scoping review also presents a framework for digitalization-related topics and means for advancing a lower carbon footprint in healthcare.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».