TOGAF et intelligence artificielle dans le secteur de la santé : vers une gouvernance numérique hospitalière au Maroc
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
La transformation numérique s’impose désormais comme un axe stratégique majeur pour les systèmes de santé. Les centres hospitaliers universitaires (CHU) marocains, situés au carrefour des missions de soins, d’enseignement et de recherche, font face à un double défi : améliorer la qualité des services tout en renforçant l’efficience organisationnelle. Dans ce contexte, l’architecture d’entreprise, notamment le cadre TOGAF, offre une démarche structurée pour aligner la stratégie, l’organisation et la technologie, tandis que l’intelligence artificielle (IA) constitue un levier d’innovation et d’aide à la décision clinique et managériale. Cette étude adopte une approche qualitative, conceptuelle et exploratoire, fondée sur une analyse documentaire comparative de quatre expériences internationales (Royaume-Uni, Estonie, Canada, Singapour). Elle mobilise des sources académiques et institutionnelles récentes (2018–2025) afin d’identifier les conditions de réussite, les freins organisationnels et les enseignements transférables au contexte marocain. Les résultats montrent que la réussite de la transformation numérique hospitalière repose sur trois leviers essentiels : (1) la consolidation d’une architecture nationale interopérable fondée sur TOGAF, (2) la mise en place d’une gouvernance éthique et inclusive de l’IA et des systèmes d’information, et (3) le développement d’une culture d’innovation collaborative entre décideurs, praticiens et chercheurs. Ces résultats permettent de proposer un modèle conceptuel de gouvernance numérique hospitalière adapté aux CHU marocains, conciliant performance, transparence et équité sanitaire.
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.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,009 |
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 découle