Preparing for ICD-11 transition: lessons from case studies in Argentina and Mexico
Notice bibliographique
Résumé
Objectives: To explore the early stages of the International Classification of Diseases 11th Revision (ICD-11) implementation in Argentina and Mexico, focusing on mortality coding, to identify essential elements and key considerations for successful adoption. Methods: Qualitative analysis was conducted using case studies from Argentina and Mexico. Data were collected through interviews, workshops, and document analysis to uncover opportunities, challenges, and strategic decisions in ICD-11 implementation. Results: Key findings highlight the critical role of comprehensive system assessments, strategic partnerships, financial planning, technological readiness, targeted training initiatives, and structured evaluation mechanisms. Both countries emphasized the importance of tailored strategies aligned with their unique contexts and highlighted the need for collaboration across sectors and the establishment of national task forces. Challenges included navigating the complexities of integrating ICD-11 within existing systems and enhancing interoperability through accelerated development of tools and establishment of expert networks. Conclusions: Tailored strategies are essential for integrating ICD-11 into national health information systems. Greater collaboration, establishment of national task forces, and clear monitoring frameworks are crucial for successful implementation. Guided by digital health and health informatics expertise, countries can overcome challenges and align with broader health care objectives, thereby ultimately enhancing global health outcomes through effective ICD-11 adoption. By learning from early adopters such as Argentina and Mexico, other countries can better prepare for their own transitions to ICD-11.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».