TOGAF et intelligence artificielle dans le secteur de la santé : vers une gouvernance numérique hospitalière au Maroc
Why this work is in the frame
A frame that forgets how it found something cannot be audited. These are the routes that admitted this work.
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.003 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.002 | 0.003 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.009 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it