Requirements and Use Cases for eHealth Solutions in Flexible Assertive Community Treatment Teams: Design Science Study
Notice bibliographique
Résumé
Background: Health care delivery is often fragmented, with different services being delivered by different organizations. Various forms of teamwork are often used in health care, aiming to mitigate the challenges related to this fragmentation. One example of teamwork in mental health is Flexible Assertive Community Treatment (FACT). FACT is a model for comprehensive and integrated care for patients with long-term, serious mental illness. FACT teams deliver services using assertive outreach to treat patients who can be hard to reach by health care services. However, Norwegian FACT teams have issues with the current eHealth solutions related to the fragmentation of health care. Objective: This study aimed to identify requirements and develop use cases and use case diagrams for eHealth solutions that support effective teamwork within FACT teams, using them in a case study for collaborative health care delivery. Methods: A design science framework was used to explicate the problems of eHealth solutions in FACT teams. This included performing the subactivities of defining the problem precisely, positioning and justifying the problem, and finding root causes. Based on this explication, we derived a set of requirements, use cases, and use case diagrams for FACT teams. Results: We present the explication of the problems of eHealth in Norwegian FACT teams. Building on the results, we present functional and nonfunctional requirements for electronic health records, electronic whiteboards, video conference solutions, and digital questionnaires. Improved integration across these systems was identified as a recurring need. We also provide use cases and diagrams illustrating system use in practice. Conclusions: FACT teams in Norway require more integrated and tailored eHealth solutions. The requirements and use cases presented in this study offer a foundation for developing tools that better support the collaborative and mobile nature of FACT team operations.
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 | 0,060 | 0,095 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,007 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,008 | 0,006 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».