論文の概要: HOT-FIT-BR: A Context-Aware Evaluation Framework for Digital Health Systems in Resource-Limited Settings
- arxiv url: http://arxiv.org/abs/2505.20585v2
- Date: Mon, 09 Jun 2025 22:54:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-11 15:11:40.07873
- Title: HOT-FIT-BR: A Context-Aware Evaluation Framework for Digital Health Systems in Resource-Limited Settings
- Title（参考訳）: HOT-FIT-BR:資源制限設定におけるデジタルヘルスシステムのためのコンテキスト認識評価フレームワーク
- Authors: Ben Rahman,
- Abstract要約: 低所得国におけるデジタルヘルスシステムの実施は、評価の欠如によりしばしば失敗する。
本稿では,HOT-FITモデルを拡張する文脈評価フレームワークであるHOT-FIT-BRを紹介する。
HOT-FIT-BRはHOT-FITよりも58%感度が高く,特に赤外指数が3。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Implementation of digital health systems in low-middle-income countries (LMICs) often fails due to a lack of evaluations that take into account infrastructure limitations, local policies, and community readiness. We introduce HOT-FIT-BR, a contextual evaluation framework that expands the HOT-FIT model with three new dimensions: (1) Infrastructure Index to measure electricity/internet availability, (2) Policy Compliance Layer to ensure regulatory compliance (e.g., Permenkes 24/2022 in Indonesia), and (3) Community Engagement Fit. Simulations at Indonesian Health Centers show that HOT-FIT-BR is 58% more sensitive to detecting problems than HOT-FIT, especially in rural areas with an Infra Index <3. The framework has also proven adaptive to the context of other LMICs such as India and Kenya through local parameter adjustments.
- Abstract（参考訳）: 低所得国(LMICs)におけるデジタルヘルスシステムの実装は、インフラの制限、地域政策、コミュニティの即応性を考慮に入れた評価の欠如により、しばしば失敗する。
HOT-FIT-BRは,1)電気・インターネットの可用性を測定するためのインフラ指標,2)規制コンプライアンスを確保するためのポリシーコンプライアンス層(インドネシアではPermenkes 24/2022),3)コミュニティエンゲージメントフィットの3つの新しい次元で,HOT-FITモデルを拡張した文脈評価フレームワークである。
インドネシア保健センターのシミュレーションでは、HOT-FIT-BRはHOT-FITよりも58%敏感で、特にInfra Index <3。
このフレームワークは、インドやケニアといった他のLMICの文脈にも、局所的なパラメータ調整を通じて適応することが証明されている。
関連論文リスト
- Towards a HIPAA Compliant Agentic AI System in Healthcare [3.6185342807265415]
本稿では,HIPAA準拠のエージェントAIフレームワークについて紹介する。
本フレームワークは,(1)粒度管理のための属性ベースアクセス制御(ABAC),(2)パターンとBERTモデルを組み合わせたハイブリッドPHI衛生パイプライン,(3)コンプライアンス検証のための不変監査パスの3つのコアメカニズムを統合する。
論文 参考訳（メタデータ） (2025-04-24T15:38:20Z) - In-House Evaluation Is Not Enough: Towards Robust Third-Party Flaw Disclosure for General-Purpose AI [93.33036653316591]
我々はシステムの安全性を高めるために3つの介入を要求します。
まず、標準化されたAI欠陥レポートと研究者へのエンゲージメントのルールを用いることを提案する。
第2に,GPAIシステムプロバイダが広視野欠陥開示プログラムを採用することを提案する。
第3に,欠陥報告の分布を調整するための改良されたインフラの開発を提唱する。
論文 参考訳（メタデータ） (2025-03-21T05:09:46Z) - Design and Implementation of a Scalable Clinical Data Warehouse for Resource-Constrained Healthcare Systems [0.0]
本研究は、リソース制限設定における異種EHR統合のために設計された、スケーラブルでプライバシに制限された臨床データウェアハウスであるNCDWを提案する。
このフレームワークは、ICD-11やHL7 FHIRといった標準に適合するように、摂食層を変更することで、開発途上国のさまざまな医療環境に適応することができる。
論文 参考訳（メタデータ） (2025-02-23T18:19:30Z) - AILuminate: Introducing v1.0 of the AI Risk and Reliability Benchmark from MLCommons [62.374792825813394]
本稿ではAI製品リスクと信頼性を評価するための業界標準ベンチマークとして,AIluminate v1.0を紹介する。
このベンチマークは、危険、違法、または望ましくない行動を12の危険カテゴリーで引き起こすように設計されたプロンプトに対するAIシステムの抵抗を評価する。
論文 参考訳（メタデータ） (2025-02-19T05:58:52Z) - Evaluating the Social Impact of Generative AI Systems in Systems and Society [43.32010533676472]
テキスト(コードを含む)、画像、オーディオ、ビデオなどを含むモダリティにまたがる生成AIシステムは、幅広い社会的影響を持つ。
これらの影響を評価するための公式な基準や、どの影響を評価するべきかの基準はありません。
本稿では,任意のモダリティに対して基本生成型AIシステムを評価するための,標準的なアプローチに向けたガイドを提案する。
論文 参考訳（メタデータ） (2023-06-09T15:05:13Z) - How to Evaluate Explainability? -- A Case for Three Criteria [0.0]
我々は,システムが提供するべき情報に関する3つの品質基準について,多分野のモチベーションを提供する。
本研究の目的は, 適切な評価方法が考案されるなど, これらの基準に関する議論を加速させることである。
論文 参考訳（メタデータ） (2022-09-01T11:22:50Z) - GO FIGURE: A Meta Evaluation of Factuality in Summarization [131.1087461486504]
本稿では,現実性評価指標を評価するメタ評価フレームワークGO FIGUREを紹介する。
10個の実測値のベンチマーク分析により、我々のフレームワークが堅牢で効率的な評価を提供することが明らかとなった。
また、QAメトリクスは、ドメイン間の事実性を測定する標準的なメトリクスよりも一般的に改善されているが、パフォーマンスは、質問を生成する方法に大きく依存していることも明らかにしている。
論文 参考訳（メタデータ） (2020-10-24T08:30:20Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。