Technology Integration in Nigeria's Healthcare Practice: A Review of Healthcare Workers’ Perspectives
Notice bibliographique
Résumé
Healthcare services vary in availability, quality, and access across regions, while healthcare workers are overburdened. Healthcare technology integration improves service and outcomes. This article analyzed Nigeria's healthcare technology integration, including technology kinds, acceptance rates, hurdles to implementation, and policy implications for healthcare delivery. A systematic Google Scholar, PubMed/MEDLINE, BASE, and AJOL search yielded 12 relevant studies for an integrative literature review, which were analyzed and narratively discussed. The technologies used include Telemedicine for remote clinical diagnosis, management, and administration; Electronic Health Records; Mobile Health for patient monitoring and management; Cloud-Based Healthcare Platforms for improved healthcare delivery and data sharing; Patient Remote Monitoring Devices for facilitating healthcare services; and Artificial Intelligence in various applications. Wearable monitoring devices and telemedicine had the highest usage compared to lower e-health technology system uptake. Infrastructural issues like poor connectivity, unstable power supply, and inadequate ICT facilities; costs and lack of government funding; regulatory issues like lack of national policies and unclear guidelines; cultural and social issues like older generations' resistance and privacy concerns; and training and skill gaps slowed technology adoption. Finally, providers liked innovations but worried about the healthcare system's broad acceptance and tele-rehabilitation's efficacy compared to traditional methods. Enhancing the adoption of healthcare technologies in Nigeria requires infrastructure, financial, regulatory, and staff development. This study recommends swiftly investing in ICT infrastructure, training, education, rigorous national guidelines through government funding and public-private cooperation, and strategic implementation using adapted applications such as 'lite' telemedicine systems that use lesser internet bandwidth.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,008 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 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 ».