The role of medical regulations and medical regulators in fostering the use of eHealth data for strengthened continuing professional development (CPD): a document analysis with key informants’ interviews
Notice bibliographique
Résumé
Abstract Background In recent times, medical regulators have been taking measures to strengthen CPD requirements for medical practitioners. In particular, greater emphasis has been placed on CPD activities linked to workplace-based assessment, health outcomes measurement, and quality improvement. These activities require the use of health data, and eHealth data analytics is emerging as a digital solution to simplify tasks and processes. Although there is a growing interest and need for alignment between regulatory policies, impactful CPD activities, and digital health research and innovation, there is little or no research into the role that medical regulations and regulators are playing in fostering the use of eHealth data to strengthen CPD. Methods Medical regulations and CPD requirements of 5 selected countries (Australia, Canada, New Zealand, UK, USA) were collected and analysed using the systematic READ approach for qualitative health policy research. Online semi-structured interviews were conducted with 20 key informants from 13 medical bodies to validate findings and gather additional insights. Informants were purposively selected because of their direct involvement in policy development. The interviews were analysed using a hybrid approach of deductive and inductive thematic analysis. The COREQ checklist was used for reporting the findings. Results The documents analysed do not mention the use of eHealth data for CPD purposes or refer to it only as a potential data source for CPD completion and compliance. Participants corroborated the document analysis results and provided insights into the following themes: context and rationale of current policy choices and future policy development; roles, responsibilities, and functions of relevant medical bodies in fostering the use of eHealth data for strengthened CPD; barriers, challenges, and enablers for implementation. Conclusion Current medical regulations and CPD requirements do not foster the use of eHealth data for CPD purposes. Recommendations for future policy development are reliant on further research on key policy concepts, regulators’ internal organisational factors, and interorganisational collaboration within the CPD ecosystem. The alignment of all relevant CPD stakeholders is required to tackle existing barriers and challenges and promote digital health innovation in the CPD landscape. Medical regulators are called to play a leadership role in this scenario.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,092 | 0,105 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,009 | 0,011 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».