Assessing the impact of digital health literacy on health management practices in Arab Middle Eastern and North African countries: insights from predictive modeling
Notice bibliographique
Résumé
Background: Digital health literacy is a critical digital determinant of health (DDoH) in the Arab Middle East and North Africa (MENA) region, where technological disparities, limited healthcare infrastructure, and diverse socio-cultural contexts significantly impact healthcare access and management. Objective: This study evaluates the impact of digital health literacy on health management practices and ensuing health outcomes in Arab Countries, employing predictive modeling as an analysis tool to uncover key determinants. Methods: A cross-sectional survey of 12,522 respondents from ten Arab MENA countries was analyzed to examine relationships between survey features and health outcomes. We compared multinomial regression to machine learning models, including CatBoost and Random Forest, to predict outcomes and identify significant predictors. Results: CatBoost, a powerful ML model that handles categorical data efficiently, achieved a predictive accuracy of 97.8%, outperforming other models in capturing complex, nonlinear relationships. Five key determinants of digital health literacy on health management outcomes were identified: limited internet access, restricted health service access, confidence in AI health resources, health monitoring tool usage, and social media health information consumption. Conclusion: Enhancing digital health literacy is critical for improving healthcare outcomes in the Arab MENA region. This study underscores the need for culturally tailored digital health interventions to address regional technological and healthcare challenges. Policymakers must prioritize these strategies to reduce disparities and empower individuals in managing their health.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,006 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».