M-HEALTH

COST IMPACT ASSESSMENT:

A TENTATIVE PRE-STUDY
By

Bernard Le Moullec

UNIVERSITY OF NEW SOUTH WALES

School of Information Systems, Technology and Management

Practicum Programme

January - February 2009

1 
 
Acknowledgements 
 
First and foremost, I would like to thank Professor Pradeep Ray for accepting me in a Practicum 
Program and enabling me to study from mid January to end of February 2009 in the Asia‐Pacific 
ubiquitous Healthcare research Centre (APuHC). I would like to express my deep gratitude to him for 
his advice guided me in the intricate jungle of mobile health technology. 

I also take this opportunity to thank Professor Fethi Rabhi for forwarding my practicum application to 
the other professors of the UNSW School of Information Systems, Technology & Management, and 
therefore allowing me to contact Professor Pradeep Ray. Somehow, I ended up writing this paper 
thanks to him. 

I would also like to thank Mr. Sebastien Robin (Exchange Advisor Europe & Asia in UNSW), who 
informed me of the existence of practicum programs within the University of New South Wales. 
Without his help, none of this would have ever been possible. 

Last but not least, I must thank Philipp Zuehlke, Amir Talaei‐Khoei and Junhua Li for their warm 
welcome and support throughout my practicum. Working with them has proved to be a real 
pleasure. 

These acknowledgements would not be complete if I forgot to mention my dear family and friends in 
France, whose continuous encouragements have been priceless.   

   

2 
 
Abstract 
 
Many countries (especially developing countries) are plagued with critical healthcare issues such as 
chronic, infectious and pandemic diseases, a lack of basic healthcare programmes and facilities and a 
shortage of skilled healthcare workers.  The scope for increase in demand for health services seems 
unlimited, whereas the scope for increase in supply is restricted. The unstainable rise in healthcare 
costs calls for a new healthcare paradigm. mHealth might have the potential to support healthcare 
providers  in  meeting  growing  demand.  However,  what  may  be  technologically  feasible,  or  even 
desirable, will not necessarily be economically viable or organisationally realised. 

Although the interest in implementing mobile health care solutions is high, data and comprehensive 
studies relative to the cost impact of mobile health programs remain scarce. As part of the effort to 
enhance Mobile Health implementation, cost assessment becomes an essential requirement for the 
successful implementation and use of Mobile Health. Could mHealth become an enabler for better 
and cost effective healthcare? 

Based  on  a  thorough  literature  review  presenting  various  types  of  economic  evaluation  models 
available  in  terms  of  healthcare  cost  measurement,  several  research  gaps  have  been  identified.  In 
order to address these gaps, this study presents parameters to consider in a cost impact analysis of 
mHealth  implementation,  defining  a  tentative  conceptual  framework  and  analysing  differences  in 
emphasis and functionalities of various kinds of mHealth solutions. There is a need to demonstrate 
both  the  economic  viability  and  the  potential  of  mHealth.  In  order  to  achieve  this  goal,  we  must 
consider the development of a generic methodology, methods and tools for the economic evaluation 
of today’s mHealth applications, developing further the state‐of‐the‐art economic impact evaluation 
methodologies  and  identifying  cases  of  good  practice  in  terms  of  overall  performance  and 
particularly in economic terms, of implemented mHealth systems.  

The  tools  for  a  potential  model  for  a  mobile  health  cost  assessment  are  exemplified  in  a  short 
preliminary case study, providing an example of cost modelization and data to be collected in order 
to assess the cost effectiveness a mHealth‐related healthcare program. 

3 
 
Table of Contents 

 
Acknowledgements ................................................................................................................................. 2 
Abstract ................................................................................................................................................... 3 
Table of Contents .................................................................................................................................... 4 
Lexicon ..................................................................................................................................................... 6 
Chapter 1: Introduction ........................................................................................................................... 7 
1.  Global Longitudinal Study on the Assessment of Mobile Health .................................................... 7 
2.  Research Issues ............................................................................................................................... 8 
3.  Motivation of Research ................................................................................................................... 9 
4.  Study Organization ........................................................................................................................ 10 
a.  Key Objectives ............................................................................................................................... 10 
b.  Study Outline ................................................................................................................................. 10 
Chapter 2: Literature Review ................................................................................................................ 11 
1.  Method .......................................................................................................................................... 11 
2.  Introduction to the various cost models used .............................................................................. 12 
a.  Cost Minimization Analysis............................................................................................................ 13 
b.  Cost Benefit Analysis ..................................................................................................................... 13 
c.  Cost Effectiveness Analysis ............................................................................................................ 14 
d.  Cost Utility Analysis ....................................................................................................................... 16 
3.  Preliminary findings ....................................................................................................................... 17 
a.  Limitations and conceptual challenges ......................................................................................... 17 
b.  Lessons learnt ................................................................................................................................ 20 
Chapter 3: Potential Model for Mobile Health Cost Impact Assessment ............................................. 21 
1.  Introduction to the methodology ................................................................................................. 21 
a.  Strategic business analysis ............................................................................................................ 21 
b.  Opportunity costs .......................................................................................................................... 22 
c.  Estimating costs benefits from both ICT and organisational changes points of view ................... 22 
d.  Methods for data collection and costing ...................................................................................... 23 
e.  Economic analysis framework ....................................................................................................... 24 
2.  Financial Tools ............................................................................................................................... 26 
a.  Assigning monetary values to benefits ......................................................................................... 26 
b.  Cost calculations: adjustment for contingencies for unaccounted costs and optimism bias ....... 33 

4 
 
c.  Time value of money: present value / discounted cash flow ....................................................... 34 
d.  Accounting for uncertainty: sensitivity analysis ............................................................................ 36 
3.  Main variables and parameters of costs ....................................................................................... 38 
a.  About staffing costs ....................................................................................................................... 39 
b.  About capital costs ........................................................................................................................ 39 
c.  About social costs .......................................................................................................................... 40 
d.  About technology costs ................................................................................................................. 41 
4.  Typology of Healthcare stakeholders, their place in the mHealth value chain and the 
cost/benefit effects of mHealth on them.............................................................................................. 43 
a.  Patients and other citizens ............................................................................................................ 47 
b.  Healthcare staff ............................................................................................................................. 49 
c.  Health services provider organizations ......................................................................................... 49 
d.  Third party payers ......................................................................................................................... 51 
5.  Typology of mHealth issues depending on country’s level of income economy .......................... 51 
a.  High income economies ................................................................................................................ 51 
b.  Middle and low income economies .............................................................................................. 52 
Chapter 4: Case Study ........................................................................................................................... 56 
1.  Scenario Presentation ................................................................................................................... 56 
2.  Direct costs model ......................................................................................................................... 57 
a.  Reminder ....................................................................................................................................... 57 
b.  Actual OT paper‐based assessment process ................................................................................. 57 
c.  Proposed mHealth‐based OT assessment process ....................................................................... 59 
d.  Tentative direct cost analysis model ............................................................................................. 61 
3.  Questionnaire ................................................................................................................................ 66 
Chapter 5: Conclusions .......................................................................................................................... 69 
1.  Summary ....................................................................................................................................... 69 
2.  Limitations and future work .......................................................................................................... 71 
References ............................................................................................................................................. 72 
 

  

   

5 
 
Lexicon 
 
• 2.5G = "second and a half generation" (of telecommunication standards and technology for 
mobile networking) 
• 3G  =  Third  Generation  (of  telecommunication  standards  and  technology  for  mobile 
networking) 
• CBA = Cost Benefit Analysis 
• CEA = Cost Effectiveness Analysis 
• CMA = Cost Minimization Analysis 
• CUA = Cost Utility Analysis 
• CRM  = Customer Relationship Management 
• E‐Health or eHealth = Electronic Health 
• eHCD  = Electronic Healthcare Delivery 
• EHR  = Electronic Health Records  
• E‐Resources = Electronic Resources  
• F/OSS = Free / Open Source Software 
• ICT  = Information and Communication Technologies  
• IS/IT = Information Systems / Information Technology  
• ITU = International Telecommunication Union 
• HMIS = Health Management Information Systems 
 
• M‐Health or mHealth = Mobile Health (to be distinguished from movable facilities in which 
diagnostic and therapeutic services are provided to the community, a subject that will not be 
discussed here). In this paper mHealth refers to medical and public health practice supported 
by  mobile  devices,  such  as  mobile  phones,  patient  monitoring  devices,  PDAs,  and  other 
wireless  devices.  mHealth  applications  include  the  use  of  mobile  devices  in  collecting 
community  and  clinical  health  data,  delivery  of  healthcare  information  to  practitioners, 
researchers, and patients, real‐time monitoring of patient vital signs, and direct provision of 
care  (via  mobile  telemedicine).  mHealth  can  be  regarded  as  a  subset  of  eHealth:  hence, 
economic evaluation of eHealth is somehow relevant to mHealth too. 
 
 
• PDA = Personal Digital Assistant 
• QALY = Quality Adjusted Life Year 
• RFID = Radio‐Frequency Identification Device 
• ROI = Return on Investment  
• SROI = Social Return on Investment 
• WAN = Wide Area Network 
• WHO = World Health Organisation (WHO) 
• WiFi = Wireless Fidelity 
• WiMax = Worldwide Interoperability for Microwave Access 
• WTP = Willingness to Pay 

6 
 
Chapter 1: Introduction 
 

1. Global Longitudinal Study on the Assessment of Mobile Health 
 

Mobile wireless technologies provide powerful and affordable multifunctional services for users in a 
number of professions, including business, education, engineering, and medicine. The rapid progress 
of  mobile  communication  has  made  it  more  popular  than  land  based  traditional  communication 
systems, particularly in developing countries, where the infrastructure for land based communication 
is not adequate in rural areas. 

e‐Health  involves  collaborative  support  for  healthcare  personnel  using  Information  and 
Communication Technologies (ICT). Thanks to the convenience of wireless networks, it is possible to 
deploy  e‐Health  quickly  using  mobile  devices,  such  as  pocket  PCs,  PDAs,  RFID  devices  and  mobile 
phones.  This  phenomenon  is  now  referred  to  as  m‐Health.  Although  there  have  been  some 
spectacular successes in the experimental use of m‐Health in certain parts of the world, there is no 
globally  acceptable  evidence  base  to  show  the  health  outcomes  using  mobile  technology.  It  is 
important to carry out research in this area because the success of mobile e‐Health would help the 
world to overcome the “digital divide”, as per the World Health Organization announcement made in 
the World Health Assembly in 2005. 

The  Asia‐Pacific  ubiquitous  Healthcare  research  Centre  (APuHC  ‐  www.apuhc.unsw.edu.au  )  at  the 
University  of  New  South  Wales,  Australia,  has  been  leading  an  evidence‐based  study  on  the 
Assessment of eHealth for Health Care Delivery (eHCD) for the World Health Organization since 2006 
in a number of Asia Pacific countries including India and China. It has been decided to build upon this 
expertise to launch a new global cooperative project involving 12 countries all over the world (all the 
continents including India and Bangladesh in the subcontinent) to assess the impact of m‐Health in 
terms  of  four  factors  of  health  outcome,  namely  Access,  Quality,  Acceptance  to 
physicians/healthcare workers and Cost (AQAC). This study will be conducted over three years from 
2009 under the leadership of A/Prof. Pradeep Ray, the director of APuHC, Australia. This study will 
involve three phases, each to be conducted over one year as follows: 

• Qualitative and Quantitative Pre‐Study before the use of m‐Health 
• Installation and commissioning of m‐Health systems 
• Qualitative and Quantitative Post‐study on the AQAC factors on health outcome 

7 
 
2. Research Issues 
 

The  use  of  eHealth  has  attracted  some  attention  recently.  Many  articles  have  been  published 
asserting that eHealth is cost efficient. Though, a synthetic meta‐analysis of all this research work has 
still to be done. Findings revealed that the benefits of eHealth were documented, but did not include 
any  cost  information.    Evidence  of  the  cost  benefits  is  still  lacking.  eHealth  scientific  literature  is 
broadly characterized, on the one hand, by few relevant theoretical studies which deepen the cost 
assessment  dimension;  on  the  other  hand,  empirical  studies  are  often  small  scale,  short  term, 
pragmatic evaluations, focused on a single dimension, with few generalisable conclusions, lacking in 
giving a comprehensive appraisal of the application. We still lack strong and reliable evidence proving 
that  eHealth,  let  alone  mHealth,  are  a  cheaper  way  of  giving  healthcare.  Most  articles  restrict  to 
mere  cost  comparison.  Scarce  are  the  articles  that  properly  employ  cost  utility  analysis  or  try  to 
assess  the  level  of  use  eHealth  services  need  to  be  at  least  as  cost  efficient  as  current  health  care 
practices.  No  paper  tackles  this  issue  precisely  enough  to  correctly  answer  it.  One  of  the  most 
significant weak spots of the evidence provided is the lack of identified circumstances where eHealth 
has  proved  to  be  cost  effective.  Maybe  even  more  than  other  domains  of  information  and 
communication  new  technologies,  mHealth  cost  effectiveness  depends  on  the  location  where  it  is 
implemented.  At  the  time  this  paper  was  written  (early  2009),  we  still  lack  published  evidence  to 
claim eHealth is indeed a cost efficient substitute or complement to ordinary healthcare.  

However,  the  lack  of  evidence  for  eHealth  (including  mHealth)  cost  effectiveness  does  not  mean 
eHealth  (e.g.  mHealth)  is  not  cost  effective,  but  only  that  its  cost  effectiveness  has  to  be  assessed 
methodically. For instance, the absence of evidence for the cost efficiency of mHealth doesn’t imply 
a lack of cost efficiency for mHealth. Stating the former is not equivalent to stating the latter.  Up to 
date, no widely recognized universal cost model for mHealth implementation and use has been set 
or recognized as a common standard, mainly because of the innate heterogeneity of data available 
and health problematics (e.g. developing countries versus developed countries, different specialties 
and  interventions  to  be  considered,  etc.).  Though,  a  modular  and  adaptable  cost  assessment 
framework of mHealth, analysing impacts on all actors and stakeholders, remains conceivable.

8 
 
3. Motivation of Research 
 

The  need  for  effective  solutions  in  the  health  care  arena  is  underscored  by  the  2008  Global 
Monitoring Report—the annual assessment of progress toward the Millennium Development Goals. 
Fortunately  new  information  and  communication  technologies  (ICTs)  are  now  available  to  help 
improve public health, with wireless communications being the most ubiquitous and widely accepted 
of  these  technologies  within  the  developing  world.  Within  this  context,  delivering  health  care 
services  via  mobile  communications—commonly  referred  to  as  mHealth—has  emerged  as  a 
potentially  revolutionary  solution  for  a  wide  array  of  pressing  health  care  and  health  care  system 
needs.  Mobile  technology  represents  a  groundbreaking  method  for  making  health  care  more 
accessible  and  effective  across  the  developing  world.  mHealth  has  the  capacity  to  dramatically 
expand  access  to  communications  and  to  transmit  voice  and  data  at  the  precise  time  it  is  needed, 
which  will  empower  health  care  workers  to  make  improved  diagnoses  and  provide  citizens  with 
access to health care where it is needed most. mHealth is currently a nascent area with the majority 
of projects taking place on a pilot basis. However, given wireless technology’s rapid adoption and its 
extensive  geographic  reach,  mHealth  has  tremendous  potential  to  scale  and  provide  dramatically 
improved  health  outcomes.  How  precisely  does  mHealth  make  health  care  more  effective  and 
especially  cost‐effective?  In  order  to  draw  in  as  many  funds  and  investments  as  possible,  mHealth 
supporters still have to prove that mobile technology represents a cost‐efficient method for making 
health  care  more  accessible  and  affordable.  We  lack  data  on  actual  benefits,  costs  and  experience 
linked  to  the  use  of  mHealth  devices.    The  ensuing  vagueness  is  a  formidable  repellent  to 
implementation  in  organizations.    Asserting  mHealth  can  yield  significant  cost  savings  for  all  the 
stakeholders  (patients,  health  providers  and  organisations  alike)  is  not  enough:  a  rigorous  analysis 
and economic modelization of the cost impact of mHealth on every link of the healthcare chain must 
be  undertaken  to  assess  theoretically  every  single  econometric  parameter  involved  and  its  role 
within  the  healthcare  business  model  considered  as  a  whole.  Then  and  only  then,  should  mHealth 
general and universal cost efficiency have been scientifically proved, defending mHealth as a viable 
and  sustainable  means  to  deliver  healthcare  will  become  easier,  enabling  institutions  to  foster  this 
promising technology, adapt themselves to tomorrow’s needs with mobile processes, and by doing 
so, changing the world. The knowledge of healthcare costs in a mobile technological context will be 
the key to successful change management and adaptation to the new pervasive wireless paradigm. 
But before making it happen, we have to answer the following question: from an economic point of 
view, should it happen, and why? 

9 
 
4. Study Organization 

a. Key Objectives 
 

The key objectives for this study are: 

• To assess the economic dimension of mHealth amongst all the other dimensions of mHealth 
impact assessment (clinical effectiveness, technical feasibility, organisational impact, ethical 
issues, to name a few) 
• To conduct a review of the several types of economic evaluation models available in terms of 
healthcare cost measurement 
• To  provide  a  tentative  list  of  parameters  to  consider  in  a  cost  impact  analysis  of  mHealth 
implementation, notably based on a quick preliminary case study 

b. Study Outline 
 

In Chapter 2 (Literature Review), the fundamentals of Health Economics will be presented; then, the 
various types of economic evaluation models available in terms of healthcare cost measurement will 
be described and evaluated from a mHealth implementation perspective. Also, research gaps related 
to cost evaluation will be identified. 

In Chapter 3 (Potential Model for Mobile Health Cost Impact Assessment), in order to address some 
of the research gaps previously identified, a tentative list of parameters to consider in a cost impact 
analysis of mHealth implementation will be provided to the reader, taking into account geographical, 
social and technological variables. Without constituting a thorough and cohesive model in itself but 
rather a methodological guide, this chapter points out some landmarks one must bear in mind when 
undertaking a cost impact assessment of a mHealth implementation program. 

In Chapter 4 (Case Study), I try to provide a basic micro‐economic model to assess the direct costs 
and benefits of the use of mobile health in the Occupational Therapy scenario. This model is followed 
by a questionnaire designed to collect data so as to test its validity on a larger timescale.  

I summarize the contributions of this study in Chapter 5, thereby including some limitations for this 
study and perspectives for future work.    

10 
 
Chapter 2: Literature Review 
 

1. Method 
 

The main search sources used to obtain the data were:  

• Academic Research Library                              

• Business Source Premier         
• Expanded Academic ASAP  
• Google Scholar 
• Journal of Telemedicine and Telecare 
• Journal of the American Medical Informatics Association          
• OmniFile Full Text Mega           
• Social Sciences Citation Index      
• Social Sciences Index         
• Web of Science           
• JSTOR       
• Scopus          
• ScienceDirect 
 

The  main  search  terms  used  were:  mobile  health,  mHealth,  mobile  telemedicine,  cost  analysis, 
healthcare  economics,  cost  function,  eHealth,  M‐Health,  mHealth  cost,  mobile  health  costs,  cost 
savings, cost accounting, and other combinations of any of these words.  

The language sources searched were English exclusively. 

The range of years was set at 1990 to the present. 

All the articles found and used in the present study are listed in the “References” section at the end 
of the document. Some articles (principally press cuttings, letters and brief abstracts) were discarded 
because of their insufficient analytical content.  

11 
 
2. In
ntroductiion to the
e variouss cost models used
d 
 

Alan  William’s  “plum

mbing  diagraam”  is  perhaps  one  of  the  best,  if  not  the  best,  way  to  introduce 
health economics as a system: 

Economic evaluation
n may be deffined as “thee comparativve analysis o
of alternativee courses of  action in 
terms  off  both  their  costs  and  consequence
c es”.  The  bassic  tasks  of  any  econom
mic  evaluatio
on  are  to 
“identifyy,  measure,  value  and  compare  th
he  costs  and  consequeences  of  thee  alternative
es  under 
considerration”.  Econ
nomic  evalu
uation  is  useed  “to  assistt  decision‐m
making  when  choices  have  to  be 
made  between  several  possiblee  courses  of 
o action”.  Itt  involves  “drawing 
“ up  a  balance  sheet  of 
advantagges (benefitss) and disadvvantages (co
osts)”. It is likkely to be acccepted that the fundame
ental aim 
of any healthcare syystem is to m
maximize thee health and welfare of tthe populatiion, and thiss involves 
prioritizaation,  since  the  total  bu
udget  is  finitte.  In  fact,  this 
t premise  applies  wheether  the  he
ealthcare 
system  is 
i not‐for  prrofit  (i.e.,  so
ocialized)  or  for‐profit  (i..e.,  private  sector). 
s As  ffar  as  the  paayers  are 
concerneed, they wan
nt the maxim
mum benefit for their mo
oney. (adapteed from P.N.T Wells, 200
03) 

12 
 
Health  economists  use  an  incremental  cost‐effectiveness  approach  to  compare  alternative  health 
policies.  Marginal  improvements  in  health  outcomes  (the  additional  health  benefits)  are  compared 
with  marginal  changes  in  the  cost  of  programmes  (the  additional  costs  of  providing  the  improved 
service).  The  new  policies  are  compared  to  current  best  practice  or  current  patterns  of  service 
organisation and provision. Economic valuations of mHealth often focus on the minimisation of cost 
and assume health outcomes are as good as those achieved from other services. This is called “the 
conservative approach”; if benefits were also assessed and valued, the cost effectiveness of mHealth 
would for sure appear better. (adapted from Paul Scuffham, 2002) 

Following are some of the cost models most commonly used in mHealth cost impact assessment 
studies.  

a. Cost Minimization Analysis 
 

In Cost Minimization Analysis (CMA), the effectiveness of the comparators used must be proven to 
be the same. The cost‐effective comparator is the cheapest one, ceteris paribus. Cost Minimization 
Analysis  can  be  used  when  the  outcomes  of  various  programs  are  similar.  When  health  results  are 
the same, only costs are analyzed and the least expensive solution is selected. In theory, this method 
requires clinical evidence to prove that differences in health effects between the different programs 
are negligible. The problem with CMA is the assumption about identical outcomes cannot be made 
often. Hence, CMA is rarely an appropriate method of analysis. (adapted from Douglas H. Sprenkle, 
Fred P. Piercy, 2005) 

b. Cost Benefit Analysis 
 

In Cost Benefit Analysis (CBA), costs and benefits are evaluated in financial metrics and adjusted for 
the time value of money, in order to express all financial flows of benefits and flows of costs (which 
occur at different moments in time) are expressed on a common based on their present value. This 
mathematical method weighs the expected benefits against the expected costs of various actions so 
as  to  make  the  best  choice.  The  costs  and  benefits  of  a  given  program  are  displayed  through  the 
public's  willingness  to  pay  for  them  (i.e.  to  pay  to  get  the  benefits)  or  willingness  to  pay  to  avoid 
them (i.e. to pay to get the costs). Inputs are usually measured in terms of opportunity costs – that is 
to say the value that would be created in their best alternative use. The key principle is to make a list 

13 
 
of the all the stakeholders who are impacted by the intervention and to assign a financial value to the 
impact  it  has  on  their  welfare,  according  to  the  way  they  would  value  it  themselves.  Cost  benefit 
analysis is often used to assess the allocation of a financial value to the result of a technology.CBA is 
enables  multiple  results  to  be  evaluated  with  common  units  of  measure;  thus,  it  can  be  used  to 
investigate  different  allocations  of  resources  before  and  after  an  investment  in  a  technological 
paradigm  (such  as  mHealth)  is  done.  CBA  allows  for  the  consequence  on  every  stakeholder  to  be 
included  in  the  assessment.  It  also  enables  an  assessment  of  a  new  option  as  well  as  for  an 
assessment of results achieved from an array of different options.  (adapted from Karl A. Stroetmann, 
Tom Jones, Alexander Dobrev, Veli N. Stroetmann, 2006) 

The  accuracy  of  the  results  of  a  CBA  depends  on  how  precisely  costs  and  benefits  have  been 
estimated:  as  a  consequence,  the  outcomes  of  cost‐benefit  analyses  should  be  used  with  caution, 
because they may be inaccurate. 

c. Cost Effectiveness Analysis 
 

Cost‐effectiveness analysis (CEA) compares the relative expenditure (costs) and outcomes (effects) of 
several programs. As far as healthcare is concerned, the cost‐effectiveness of a given health program 
is the ratio of the cost of the intervention to a measure of its effect. Here, the word “cost” refers to 
the resource used for the intervention, usually expressed in monetary terms. The measure of effects, 
expressed  in  “natural”  units,  changes  depending  on  the  intervention  being  considered.  Cost‐
effectiveness is expressed as an “Incremental Cost Effectiveness Ratio” (ICER), which can be summed 
up by “the ratio of change in costs to the change in effects”. A particular case of CEA is the CUA (Cost‐
Utility Analysis), where the effects are expressed in terms of years of full health lived, using metrics 
such as QALYs (Quality‐Adjusted Life Years) or DALYS (Disability‐Adjusted Life Years). CEA can be used 
when  the  outcomes  of  the  compared  technologies  can  be  expressed  in  the  same  units.  ICER  is 
calculated using the following formula: 

ICER = (C1– C2)/(E1– E2) 

where C1 = the cost of the new intervention, C2 = the cost of the comparator, E1 = the effect of the 
new  intervention,  and  E2  =  the  effect  of  the  comparator.  With  CEA,  analysts  often  use  a  decision 
analytic approach (i.e. a complex mathematical modelling technique) that builds upon the long term 
costs and effectiveness. (adapted from Patricia W Stone, 2002)  

14 
 
 ¾ If  an
n  alternative  is  more  cosstly  and  perfforms  less  well 
w (e.g.,  prroduces  fewe
er  health 
beneefits), it is un
ndesirable. 
¾ If an alternative is more costly and performs as well, it is undesiraable. 
¾ If an alternative is less costly and perform
ms better, it should be ussed. 
¾ If an alternative is less costly and perform
ms as well, it should be used. 

In other  cases, cost‐effectivenesss results aree more equivvocal and jud
dgments will be more su
ubjective. 
mple, 
For exam

• If  an  alteernative  is  more 

m costly  and  perform
ms  better,  arre  the  beneffits  gained  worth 
w the 
extra cossts? 
• If  an  alteernative  is  less  costly  an
nd  performss  less  well,  are 
a the  savin
ngs  worth  th
he  health 
benefits foregone? 

(adapted
d from Marillyn J. Field, 1996) 

Source:  P. 
P Musgrove  an
nd  J.  Fox‐Rush
hby,  2006.  “Co
ost‐Effectivene
ess  Analysis  fo
or  Priority  Settting,”  in  Disea
ase  Control 
Priorities iin Developing C al: 276. 
Countries, 2nd edition, ed. D..T. Jamison et a

One  sho
ould  note  th
hat  the  term
m  "incrementtal"  used  in  the  name  “ICER”  doess  not  have  the 
t usual 
economic  meaning.   Usually,  th
he  outcomess  of  an  incrremental  ch
hange  refer  to  the  effe
ect  of  an 
additional  unit  of  a 
a given  meaasurement.  Here  what  is  the  comp
pared  is  thee  effect  of  switching 
s
ntions.  One  must 
interven m bear  in
n  mind  that  resource  allocation  deciisions  affecting  the  entire  health 

15 
 
sector  must  also  take  into  account  social  concern.  CEA  often  neglects  to  identify  misallocation  of 
resources  while  focusing  on  the  evaluation  of  new  technologies.  The  quandary  of  generalizing  CEA 
studies  that  are  context  specific  have  been  exemplified  by  the  multiplication  of  guidelines  for  CEA 
practice,  all  using  divergent  methods.  International  guidelines  still  have  to  be  developed.  (adapted 
from Health Financing for Poor People, Resource Mobilization and Risk Sharing, WHO, 2004) 

d. Cost Utility Analysis 
 

Cost  Utility  Analysis  (CUA)  measures  outcomes  in  a  composite  metric  named  the  Quality  Adjusted 
Life Year (QALY), which is not expressed in financial terms. The goal of CUA is to estimate the ratio 
between the cost of a healthcare program and the benefit it brings about in terms of the number of 
years  lived  in  full  health  by  the  beneficiaries.    A  threshold  value  for  the  ICER  is  often  set  by  policy 
makers,  who  might  decide  that  only  programs  that  have  an  ICER  below  this  threshold  should  be 
funded.  To  compute  the  quantity  of  QALYs  resulting  from  the  use  of  a  medical  technology,  the 
number of extra years of life obtained  is combined  with a measure of the quality of life in each of 
these  years  in  order  to  obtain  the  outcome,  enabling  alternative  technologies  to  be  compared  in 
terms  of  the  marginal  cost  per  QALY  earned.    QALYs  were  created  to  take  into  account  that  an 
individual can be concerned with the quality of his/her life as well as its length. QALYs gained from 
one  healthcare  program  may  be  compared  with  QALYs  obtained  from  alternative  healthcare 
programs, as well as from non intervention. (adapted from Pauline M. Craig and Grace M. Lindsay, 
2001) 

 In CUA societal benefits and costs are often not taken into account. Furthermore, some economists 
believe  that  measuring  QALYs  is  harder  than  assessing  the  monetary  value  of  life  through  health 
improvements, which is done by CBA. In addition, there are ethical problems caused by assigning a 
value on human life. Besides the weighting of QALYs is extremely subjective and might cause some 
discrimination. Although mHealth is likely to bring about improvements in health outcomes many of 
the benefits achieved thanks to mHealth may not impact health outcomes but non‐health outcomes 
such  as  process  factors.  The  QALY  method  may  not  correctly  assess  such  benefits  from  mHealth: 
QALY  cannot  be  used  as  a  measure  for  mHealth  where  mHealth  applications  improve  citizens’ 
experience  of  healthcare  without  changing  the  clinical  outcome.  Likewise,  QALYs  are  not  the  most 
helpful  measures  to  assess  the  impact  on  carers,  time  savings,  and  improved  productivity  gained 
through  the  use  of  mHealth  systems.  (adapted  from 
Karl A. Stroetmann, Tom Jones, Alexander Dobrev, 2006) 

16 
 
3. Preliminary findings 
 

a. Limitations and conceptual challenges 
 

A quick review of the available academic and scientific publications would suggest that mobile health 
is  only  profitable  in  the  case  the  costs  of  travelling  to  the  nearest  hospital  or  doctor’s  clinic  is 
extremely high. It is not clearly established that a mobile health solution is economically viable once 
the  patient’s  travel  costs  or  avoided  hospitalizations  are  removed  from  the  analyses.  Longstanding 
limitations in the state‐of‐the‐art of empirical assessment of the impact of mHealth, especially in the 
socioeconomic dimension, continue to be a serious inhibitor to the take up of mHealth. Most eHealth 
evaluation models have not assigned a high priority to measuring or dealing with the socio‐economic 
factors.  A  study  of  612  telemedicine  applications  showed  that  “less  than  9%  identified  actual  cost 
benefit  data“  (Whitten,  P  S/Mair,  F  S/Haycox,  A/May,  C  R/Williams  T  L/Hellmich,  S,  2002:  London 
Information in practice, Systematic review of cost effectiveness studies of telemedicine interventions, 
BMJ June 2002.).  

Despite  extensive  work  on  evaluation  and  assessment  of  the  economic  and  productivity  aspects  of 
eHealth  systems  and  services,  this  has  had  little  impact  on  real  decision‐making  and  hence  on 
eHealth uptake. This has been due to clear limitations of much of this work over recent years. It has 
also  been  shown  that  many  evaluation  studies  are  of  limited  value  to  others  because  they  lack 
sufficient  information  to  enable  others  to  adopt  the  approach  or  test  the  conclusion.  It  is  unclear 
how evaluations of this quality can generate knowledge that is of value to others. The causes for this 
current situation run deep and seem to be in part specific to the healthcare domain. No appropriate 
evaluation  methodology  on  cost‐benefits  of  eHealth  is  widely  accepted  by  the  three  main 
stakeholders: decision makers, healthcare professionals and patients. That report identified the main 
challenge as using consistent, comparable measures to deal successfully with all costs and benefits 
from  health  outcomes  to  productivity  increases  from  the  individual  perspective  of  all  relevant 
stakeholders.  It has also been pointed out that cost data in evaluations is uneven and relies on both 
actual and proxy data. Proxy data usually includes estimates by experts, as well as data on activities 
from  which  an  educated  guess  of  the  required  data  can  be  made.  This  applies  equally  to  benefits 
data.  Monetary  measures  of  benefits  other  than  those  arising  directly  from  cost  savings,  such  as 
better quality, better access, and time savings, will have to rely more on proxy than on actual data. 
(adapted from Alexander Dobrev, Tom Jones, Anne Kersting, Jörg Artmann, Karl A. Stroetmann, Veli 
N. Stroetmann, 2008) 

17 
 
From  a  stakeholders’  perspective,  there  is  little  reliable  information  available  that  can  be  used  to 
judge the impacts of Health in the healthcare sector. First, a lack of well‐defined business models and 
clear paradigm business cases hinders the potential for investors to assess the economic  effects of 
implementation. Without data on economic and financial returns and the total cost of mHealth, the 
costs of mHealth systems must be estimated through research methods like predictive analysis and 
statistical  modelling.  Furthermore,  available  evidence  comes  mostly  from  time  series  or  pre–post 
studies  and  concerns  a  restricted  number  of  process  measurements.  These  types  of  healthcare 
provider organisations are not representative of most healthcare settings, so limit the transferability 
of findings. Secondly, the absence of trustworthy data obviates the potential for policy measures to 
be  developed.    Plus,  the  means  of  payment  and  reimbursement  for  both  electronic  health  and 
mobile  health  services  have  not  been  standardized  yet.  If  mHealth  is  going  to  expand  beyond  its 
present use, the question of reimbursement must be solved. (adapted from Basit Chaudhry, 2006) 

There are differing opinions about the availability of cost information. One study claims that there is 
“no  shortage  of  information  regarding  cost  aspects  of  mHealth”,  but  that  information  on  “quality, 
access and acceptability” is less explicit. Another review of studies concludes that financial effects are 
neglected due to a focus on measures of benefits. Either way, important information from research 
about costs needed for mHealth investment decisions is difficult to detect. Besides, there is a strong 
need to identify whose perspective is taken in mHealth economic analysis as the specific perspective 
taken (society, patient, provider, facility or system) is seldom made explicit in most studies. 

Working  across  healthcare  and  clinical  activities  to  advance  mHealth  projects  tend  to  rely  on 
healthcare professionals and other healthcare workers reallocating their time to mHealth and away 
from other activities. Finance for these resources is within organisations’ existing budgets and critical 
to successful mHealth. Identifying and planning this part of finance for mHealth is seldom completed 
in  most  studies.  What’s  more,  the  probability  of  adverse  events  occurring  needs  to  be  taken  into 
account,  but  is  difficult  to  assess.  Research  on  risk  exposure  and  probabilities  in  the  context  of 
mHealth is extremely limited. One must not forget that risk is a cost needing finance as well and that 
the financial costs of risk can exceed the extra finance generated from a mHealth investment. 

Cost analyses of mHealth face “conceptual challenges that typify new device‐based technologies with 
sizable  fixed  costs  and  multiple  potential  uses.  Cost  analyses  can  address  these  issues  and  clarify 
their implications but cannot definitively resolve them” (Stefan Håkansson, 1999).  It is very difficult 
to  evaluate  mHealth.  Constantly  changing  technology,  multiple  applications  and  joint  costs, 
inappropriateness  of  the  conventional  techniques  of  economic  evaluation  and  possibly  expanding 
indications are examples of factors that have to be taken into account. The evaluations which have 

18 
 
been  done  have  mostly  been  limited  to  feasibility  studies.  Very  few,  if  any,  have  evaluated  the 
outcomes of care or the economic impact. Plus, in the mHealth literature, equivalent effectiveness 
often seems no more than a working assumption and evidence of equivalence is not presented.  

One difficulty arises from the varied uses to which a mHealth system may be put. Parts of the system 
might  be  used  to  support  emergency  medical  services,  radiology  consults,  interactive  patient 
counseling sessions, and monitoring of patients in their homes. “Although each application may have 
costs specific to its use, such as certain personnel and supplies, all the applications may share other 
costs  related  to  certain  equipment  and  perhaps  certain  personnel  and  supplies.  In  contrast  to 
accounting conventions, which apply administrative rules to apportion such joint costs of production, 
economic principles call for allocating joint costs according to the demand that each service faces”. 
(Marilyn J. Field, 1996) 

Another challenge arises because mHealth, like other innovations, may lead to expanded indications 
for use. Almost all recent economic analysis of the hospital sector based on the assumption, in the 
dual case, that firms are cost‐minimizing. Rarely is the assumption actually tested. There is actually a 
broad  consensus  among  health  economists  that  the  introduction  of  new  technology  often  leads  to 
increased cost. Few technologies are cost‐reducing. The reason is that new technology may lead to 
expanded  indications  for  use.  For  example,  a  mHealth  system  may  be  established  to  permit  more 
timely  diagnoses  and  treatments  in  rural  areas.  However,  once  mHealth  has  become  available  and 
been accepted, physicians might use mHealth for cases that are not that urgent. Even if per unit costs 
of mHealth decline with the volume of interventions growing, total expenditures may increase as the 
total  volume  of  intervention  increases.  In  order  to  utilize  the  potential  of  mHealth,  its  integration 
with  traditional  health‐care  is  crucial.  The  cost  effectiveness  of  mHealth  is  currently  limited  by  the 
positioning of mHealth outside the mainstream of health‐care. For some critics, mHealth is seen as a 
peripheral  activity  and  as  a  novelty  area  for  technology  enthusiasts.  The  cost  effectiveness  of 
mHealth will improve considerably once it becomes part of a wider integrated TIC paradigm in the 
health sector. (adapted from Stefan Håkansson, 2000) 

Another challenge is that technological change may outdate a static study of benefits and costs even 
prior  to  the  completion  of  the  analysis  itself.  The  diffusion  and  evolution  of  new  technologies  like 
mHealth  technologies  is  a  dynamic  process  that  needs  ongoing  evaluation.  The  more  they  use 
mHealth technologies, the more mHealth users are likely to gain experience and proficiency that will 
eventually bring about lower costs and better outcomes. 

19 
 
Convincing  evidence  regarding  the  cost‐effectiveness  of  mHealth  is  still  limited  and  good‐quality 
studies are rare. Scholars still need to analyse the cost implications of both eHealth and mHealth. For 
instance, with the exception of PDA‐assisted data collection, there are still few scientifically rigorous 
data  on  the  cost‐effectiveness  of  mHealth  systems  in  developing  countries.  The  demonstration 
projects  so  far  have  failed  to  show  that  m‐Health  services  result  in  real  savings  and  have  cost 
effective potential. (adapted from Warren A Kaplan, 2006; Peter Wells & al., 2006; Nirupam Mishra, 
2009) 

b. Lessons learnt 
 

The literature review indicates that case studies are appropriate, and that the benefits of using case 
studies  can  be  realised  if  their  methodology  is  generic  and  adaptive  so  that  findings  can  be 
transferred  to  other  sites  for  two  main  purposes.  One  is  to  use  it  to  contribute  to  decisions  about 
mHealth  in  the  future;  the  other  is  to  review  current  mHealth  investment  to  ensure  it  is  optimal. 
Both require a methodology that is built on sufficient detail for other sites to be able to convert or 
interpret  findings  for  their  specific  settings.  An  important  aspect  seems  to  be  to  produce  findings 
together with an analysis that explains why the outcome was achieved. 

The  methodology  relevant  to  mHealth’s  challenges  and  opportunities  needs  to  deal  with  the 
components  of  mHealth  investment  comprehensively.  These  components  include  a  temporal 
compilation  of  costs  of  ICT  and  organisational  change;  the  main  mHealth  functionalities;  its 
utilisation;  the  main  stakeholder  types;  and  the  benefits.  It  must  also  distinguish  between  socio‐
economic costs and benefits for stakeholders and the narrower financial dimensions that are related 
to flows of funds. The literature review did not identify an approach that includes all these factors. 

Few studies have evaluated all the economic and productivity aspects of proven eHealth / mHealth 
applications.  Instead,  lessons  can  be  drawn  from  partial  studies  and  several  general  economic 
evaluation theories, methodologies and projects. These can be applied in the assessment framework, 
and  then  incorporated  in  the  mHealth  evaluation  model.  This  is  the  area  of  study  for  health 
economists. Specifically, an impact model should be created to differentiate between elements that 
contribute to the success of a mHealth service and can be used elsewhere, technological factors and 
factors  that  are  specific  to  the  location,  for  instance  geographical  and  environmental  factors.  A 
comprehensive cost benefits analysis should take account for the direct and indirect financial costs 
and balance them against the non‐financial factors (i.e. benefits like improved health outcome) for 
every stakeholder. 

20 
 
Chap
pter 3: P
 Potenttial Mod
del for  Mobile
e Health
h Cost 
Impa
act Assessmen nt 
 

1. In
ntroductiion to the
e method
dology 

a. Stra
ategic bussiness analysis 
 

How can
n we improve the estimaates of costss and benefitts and be cleear on the neet benefits aand value 
added frrom mHealth
h investmentts?  

The  issues  determin

ning  sustainaability  of  mH
Health  investtments  inclu
ude  economiic  and  financcial  costs 
nefits,  timesscales,  risks,  general  strategic  fit,  mHealth  pro
and  ben ocurement,  reimbursem
ment  and 
businesss models. 

In order to make an assessment of the future impact of m
mHealth solu necessary to combine 
utions, it is n
a strateggic foresight analysis with
h an econom
mic perspective, making aa business caase for mHeaalth: 

Adapted from “Assessin
ng socio‐econo
omic and clinicaal benefits from
m eHealth soluttions ‐ approacch and evidence
e” (Karl A. 
Sttroetmann, 200
08) 

21 
 
 b. Opportunity costs 
 

In  the  cost  assessment,  one  must  consider  the  mHealth  and  the  alternative  program  have  from  a 
socio‐economic  perspective  while  addressing  all  relevant  stakeholders.  The  costs  of  mobile  health 
could be dependent on the degree of utilization and on the variable costs of a project. In general, the 
higher the degree of utilization, the lower the unit cost. Costs should reflect opportunity costs and 
may be valued in terms of market prices or shadow prices (i.e.” the change in the objective value of 
the optimal solution of an optimization problem obtained by relaxing the constraint by one unit, for 
instance  the  maximum  price  that  an  economic  agent  is  willing  to  pay  for  an  extra  unit  of  a  given 
limited  resource”).  Shadow  pricing  should  be  used  to  determine  the  economic  costs  of  goods  that 
have  no  market  price  or  if  market  prices  are  believed  to  have  major  distortions.  The  economic 
concept  of  opportunity  cost  assumes  that  resources  are  scarce  and  that  every  time  resources  are 
used  in  one  way,  the  opportunity  of  using  them  in  other  beneficial  activities  is  given  up.  The 
opportunity cost of any technology is therefore defined as “the benefit forgone from not using that 
resource in its best alternative use. Only if a resource has a next best use does it have an opportunity 
cost” (Peter Wells & al., 2006).   

c. Estimating costs benefits from both ICT and organisational 
changes points of view 
 

One  of  the  first  steps  of  any  practical  costing  exercise  is  to  identify  the  production  process  of  the 
programme  or  intervention.  There  are  several  ways  of  classifying  costs.  For  example,  they  can  be 
classified  by  input  category  (e.g.  salaries,  medical  supplies,  capital,  etc.),  intervention  activity  (e.g. 
administration, planning, and supervision) or organizational level (e.g. national, district, hospital). The 
most important point to consider when choosing a classification scheme is to make sure that all the 
relevant costs are included and that the classification categories do not overlap. 

ICT and organisational change are the two main components of mHealth used for this evaluation, so 
costs  will  be  divided  into  these  two  main  types.  At  its  simplest,  ICT  is  defined  as  hardware, 
middleware, software and obsolescence. Where these are supplied by a vendor, identifying the cost 
is relatively straightforward, and is partly determined by the  choice of procurement model. Where 
people and teams from the users are involved, an estimate of their time and costs are needed. For 
organisational  change,  costs  such  as  stakeholder  engagement,  procurement,  project  management, 
programme management, training, change management, and information governance are included. 

22 
 
This  classification  enables  the  changing  relationship  between  ICT  and  organisational  change  over 
time to be identified. The classification of costs between ICT and organisational change also supports 
the analysis of incremental changes for the impact on business models. A second‐stage classification 
of  these  two  types  of  cost  into  the  three  financial  categories  of  extra  financial,  redeployed,  and 
nonfinancial, shows the nature of the required and changing financial investment over mHealth life 
cycles.  This  will  be  essential  for  transferability  to  other  cases  where  the  relationships  between  the 
socio‐economic and the financial aspects need to be set.  

The  concept  of  cost‐avoidance  is  also  important  in  order  to  identify  the  cost  for  achieving  the  ICT‐
based  performance  without  ICT  (this  cost  is  often  prohibitive).  Fundamentally,  what  is  needed  is  a 
positive  response  to  the  challenge  of  limited  resources.  (adapted  from 
Karl A. Stroetmann, Tom Jones, Alexander Dobrev) 

Because  of  the  difficulty  of  changing  grass  roots  practices,  the  cost  of  implementing  a  major 
healthcare initiative is often far superior to the actual cost of  the technology itself, because of the 
lack of clinical buy in. 

d. Methods for data collection and costing  
 

Methods for data collection in mHealth cost impact study should take into account costs obtained by 
the accounting system or computed by detecting all the resources used during the project through in 
site analysis (from societal, provider and patient perspectives). Methods for data analysis in mHealth 
cost  impact  study  should  rely  on  total  annual  costs  differences  measured  through  statistical 
comparison  methods  and  use  different  cost  scenarios  deepened  through  break‐even  analysis  and 
sensitivity analysis.  When a new technology is developed, randomized controls tent to be the best 
method to test its real efficiency.  

“Straightforward  randomized  controlled  trials  are  not  directly  applicable  to  the  assessment  of 
technologies that are in the process of evolution. This is because the result of such a trial, when it 
eventually becomes available, is irrelevant to the evolved (and presumably improved) variant of the 
technology that then exists. In the meanwhile also, the technology is likely to have diffused into the 
healthcare system to the extent that clinicians believe it to be indispensable, even though there may 
be no firm evidence for this. Thus, when the technology has become sufficiently mature (and stable) 
for a randomized controlled trial to be contemplated, it is impossible to carry out such a trial both 
because clinicians think that they depend on it and say that it would be unethical to deny its use to a 
randomized  group  of  patients,  and  because  patients’  expectations  include  the  provision  of  the 

23 
 
technology. Tracker studies have been proposed as a methodology to solve this problem. The idea is 
that, with a rapidly changing technology, the randomized controlled trials should not await stability 
but should be used to track progress over time and provide an unbiased comparison between rival 
technologies  at  each  stage  in  their  evolution.  The  protocol  is  flexible  and  the  sample  size  is 
determined by what is available and necessary to make a judgment. Several centers can be involved, 
provided that standardized outcome measures are used. The benefits are that poor performance can 
be quickly identified and that the study can proceed until the technology has stabilized and the result 
has become sufficiently robust to be useful”. (extract from PNT Wells, 2003) 

New  technologies  rarely  replace  existing  technologies  but  complement  them  instead,  thus  the 
concept  of  a  substitute  technology  cannot  be  applied  in  reality.  Moreover,  the  healthcare  system 
does  not  exist  in  isolation,  as  does  its  costs  impact  on  national  economies.  The  evaluation  of  the 
opportunity  of  using  or  not  using  a  new  technology  depends  on  very  evaluation  process  itself. 
Besides, findings and results of eHealth & mHealth impact assessments can differ depending on the 
evaluation  category.  Macro  analysis  may  lead  to  overall  positive  results,  whilst  micro  analysis  may 
reveal negatives. Therefore, differentiating between internal and external effects is crucial. (adapted 
from PNT Wells, 2002) 

The estimated costs and benefits provide a start point from mHealth economic analysis. The sets of 
data needed include notably the following: 

• Effect of the procurement model on cash flow 
• All internal finance from reserves 
• Estimates of availability of finance needed for investment humps in the earlier years of the 
investment  lifecycle  and  recurring  annual  finance  for  the  later  operational  years  of  the 
lifecycle 
• Estimates of interest payments, annual depreciation and amortisation 
• Estimates of taxes not recoverable, such as value added tax  
• Estimates of the cash flow needed for the cost in each year of the lifecycle 
• Estimates of the cash flow generated from the benefits in each year of the lifecycle 

e. Economic analysis framework 
 

The  underlying  socio‐economic  concept  used  here  is  the  Benefit  Cost  Analysis  (BCA).  Costs  include 
the  initial  and  continuous  mHealth  investments,  such  as  those  in  ICT  and  change  management,  as 

24 
 
well  as  the  running  costs  of  healthcare.  Cost  analysis  examines  the  differential,  incremental,  or 
marginal  costs  of  one  alternative  compared  to  another.  The  analysis  focuses  on  costs  that  differ 
among the alternatives, including personnel, supplies, and personal transportation and time for the 
health  practitioner  or  patient.  Negative  impacts  fall  under  the  cost  category,  whereas  positive 
impacts are aggregated as benefits. The perspectives of all stakeholders are included in the analysis. 
The topic of  central interest is the  development of net  benefits, defined as estimated benefits less 
estimated costs, over time. 

• Value added from mHealth = value of health services with mHealth less (minus) value 
of health services without mHealth 
• Total value  added/net  benefit = sum  of positive  and negative  ”value added” for each 
stakeholder group 
• socio‐economic Impact = social added value = value added – value destroyed 

(adapted from Karl E. Stroetmann, 2008)  

This is the basic equation of a cost‐benefit analysis. Thus, socio‐economic impact is presented by net 
benefits.  Applied  to  a  dynamic  context,  the  overall  socioeconomic  impact  of  mHealth  systems 
becomes net benefits over time. In a mathematical representation, impact (I) equals net benefit over 
time (NB), which is benefits (B) less costs (C) for each year in the evaluation period (n). 

I = NB = Σ1,n (Bn-Cn)

In  an  ideal  model  of  perfect  competition  and  complete  markets,  health  services  values  can  be 
derived from market prices for healthcare. However, the health services sector is marked by market 
failures,  partly  for  structural,  and  partly  for  historic  reasons.  Thus,  the  way  to  estimate  the  value 
added has to focus on change. 

A number of health services will not be affected by a particular implementation of mHealth system, 
so  their  value  will  be  equal  in  both  cases  of  the  with/without  comparison  and  will  mathematically 
cancel  out  from  the  equation.  This  leaves  us  with  the  task  to  identify  and  focus  on  the  services 
affected by mHealth systems. We talk about positive effects, or benefits, when value is created, and 
about negative effects, or costs, when value is destroyed. The total value added is the sum of positive 
and negative “value added”, or value added less value destroyed, also referred to as net benefit. 

The  main  difference  between  health  economics  science  and  IS/IT  science  is  that  the  cost/utility 
analysis  for  IS/IT  tends  to  be  more  often  ex‐ante  than  in  health  economics.  In  health  economics 
doctors  want  to  develop  and  give  the  best  treatments  available,  they  only  consider  the  associated 
costs  afterwards.  This  approach  is  no  longer  sustainable,  given  the  future  economic  environment:  

25 
 
the  economic  evaluation  must  become  more  often  ex‐ante,  because  of  the  tightened  financial 
situation.  Although mHealth economic efficiency studies will have to focus on ex‐post evaluations, 
their  approach  will  be  aligned  to  providing  maximum  usefulness  and  applicability  for  real  decision‐
making,  i.e.  future  ex‐ante  assessments  of  alternative  resource  allocations  in  healthcare.  (adapted 
from Alexander Dobrev & al., 2008) 

2. Financial Tools 
 

A variety of techniques, including Cost Benefit Analysis (CBA), Cost Consequence Analysis (CCA), Cost 
Effectiveness Analysis (CEA), Cost minimisation, marginal net present value (MNPV), affordability gap 
analysis, payback period and mHealth utilisation is available. 

a. Assigning monetary values to benefits 
 

Benefits depend on the type of mHealth investment. Some generic examples are: 

• Improved patient safety 
• Better informed patients 
• Better informed healthcare professionals 
• More streamlined healthcare for patients 
• More modern healthcare for patients 
• More effective healthcare for patients 
• Improved access for patients 
• Reduced admissions to hospital 
• Time savings for healthcare professionals 
• Reduced duplication of direct healthcare activities and waste 
• Improved working environment for healthcare professionals 
• Improved productivity enabling more patients to access healthcare 
• Reduced unit costs of healthcare 
• Improved transfer of information for other purposes 
 
Here the question is: how can we assign objective monetary values to this range of benefits? Valuing 
these types of costs and benefits relies on estimation techniques at this stage of the decision. These 
include: 
• Timing of costs and benefits 
• Linking ICT, functionality, performance and utilisation to benefits 
• Unit cost of employees time 
• Values of time of patients and citizens, including travel times 

26 
 
 • Willingness to pay for improved quality, access, convenience and working environment 
• Value, probability and exposure to risk 
• Assessing and adjusting for optimism 
• Sensitivity testing 

(adapted from Tom Jones & Alexander Dobrev, 2008) 

 
(In “TeleMed & eHealth ’08: Optimising Patient Centred Care ‐ the role of eHealth”, Alexander Dobrev, 2008) 

  

In  an  economic  analysis,  monetary  values  have  to  be  assigned  to  enable  the  economic  and 
productivity performance to be evaluated. Productivity can be measured by variations in unit costs. 
Methods  of  productivity  analysis  presented  here  are  based  on  cost  functions,  or  better  said  the 
econometric  analysis  of  cost  functions.  Doing  so  allows  for  identification  of  potential  common 
patterns, trends and relationships in the end, when aggregating the results. Monetary values can be 
assigned to positive and negative impact items, even if only proxy data is available. Monetary values 
have  to  be  assigned  to  intangible  costs  and  benefits  to  enable  comparisons  between  mHealth 
projects. 

Monetary values assigned to costs and benefits should be based on market prices whenever they are 
available,  because  prices  tend  to  reflect  the  best  alternative  use  of  the  resources  available.  Some 
costs and benefits are social, environmental, organisational or cultural, and have no obvious market 
price  to  reflect  their  values.  When  dealing  with  these  types  of  impact,  “benefits”  should  be 

27 
 
understood  as  changes  towards  a  more  desired  situation,  and  “costs”  should  include  items  like 
reduced comfort or extra effort associated with the introduction of mHealth solutions. 

Efficiency  benefits  are  reflected  in  improved  productivity,  avoided  waste,  and  optimisation  of 
resource utilisation. Two common signs of increased efficiency are time‐savings and cost avoidance. 
Cost  avoidance  is  the  estimated  virtual  cost  of  providing  the  standard  of  performance  as  achieved 
with the help of mHealth, but by conventional methods in use before the mHealth investment. This 
requires  estimates  of  the  additional  staff  and  other  resources  needed.  In  practice,  the  mHealth 
performance cannot be attained easily, if at all, by these means, but the cost avoided is a proxy for 
the impact of mHealth in enhanced performance. 

(adapted from Karl A. Stroetmann, Tom Jones, Alexander Dobrev, Veli N. Stroetmann, 2008) 

A general problem when dealing with health issues is its intangibility. Some benefits may ultimately 
be  gains  to  health  and  are  difficult  to  measure  in  monetary  terms.  Similarly,  some  “soft”  negative 
impacts, such as general pressure to users during implementation time do not have a market price. 
However, these negative and positive impacts do have a value to the individual and this value can be 
expressed in monetary terms. Assigning value to time and other resources saved, or avoided because 
of  mHealth,  is  an  important  part  of  this  model.  Time  as  a  healthcare  resource  is  valued  as  total 
average costs for main types of full time equivalent employment staff. Time for individual citizens is 
valued on the basis of typical minimum wages. Assigning value to time and other resources saved, or 
the  use  of  which  is  avoided  thanks  to  mHealth,  is  most  common.  Time  as  a  healthcare  resource  is 
valued in full time equivalent employment costs. Time for individual citizens is valued on the basis of 
net  earnings.  The  value  of  other  resources  is  assigned  according  to  market  prices.  The  latter 
technique  is  also  used  for  measuring  travel  costs  and  time,  either  as  costs  to  a  service,  or  for 
measuring  the  benefit  of  reduced  travel.  The  use  of  healthcare  resources,  such  as  diagnostic  tests 
and emergency attendances, are valued at representative, available total average costs. The value of 
other  resources  is  assigned  according  to  estimated  market  prices.  These  principles  are  applied  to 
both costs and benefits where appropriate. 

Economic impacts include the monetary expression of costs and benefits over time. Costs are often 
much easier measured than benefits. However, also for benefits a variety of tools are available for 
meaningful  estimations.  Examples  are  proxy  prices,  willingness  to  pay  studies  or  time  savings 
converted into monetary equivalents based on income. Data for modelling these impacts have to be 
integrated  with  the  analysis  of  the  social  aspects.  Indeed,  some  classify  benefits  for  citizens  or  the 
system as social rather than economic impacts. (adapted from Dobrev & al., 2008) 

28 
 
We can distinguish between three types of financial impact: 

• Financial  “extra”:  Tangible  costs  and  benefits  that  require  additional  liquidity  or  liberate 
finance 
• Financial redeployed: Tangible costs and benefits that have required financial resources to be 
redeployed, but do not require additional, or liberate finance 
• Non‐financial: Intangible costs and benefits that are classified as non‐financial and have been 
assigned estimated monetary values. 

Considering purely financial return on investment (ROI = rate of return, i.e. the ratio of money gained 
or  lost  on  an  investment  relative  to  the  amount  of  money  invested)  at  an  institutional  level,  or 
potential benefits for only one of the stakeholders, may lead to suboptimal decisions. Any mHealth 
financial  Return  On  Investment  analysis  should  start  by  setting  measurable  goals  and  expected 
results. It seems that the healthcare industry has not yet learned to perform these steps well. Many 
of  the  stakeholders  who  describe  the  goals  of  mHealth  state  that  they  want  mHealth  to  reduce 
hassles,  increase  revenue,  aid  in  patient  safety,  improve  productivity,  and/or  help  achieve  better 
quality outcomes. These "goals," however, are meaningless in defining benefits for an ROI analysis. In 
fact, if mHealth can’t achieve these goals, why go through the expense and effort to implement one?  
(adapted from Margret Amatayakul, 2003) 

The following sections provide some detailed presentations and explanations of the financial tools at 
our disposal. 

• Actual prices or proxies 

In providing recommendations for valuation in cost‐benefit analysis, in particular for resource‐poor 
countries, it is important to keep in mind the need to develop approaches that can be applied widely 
in many settings, that do not have stringent data needs, and that can be applied by non‐specialists 
who  do  not  necessarily  have  an  in‐depth  understanding  of  economic  principles.  However,  it  is 
important  to  decide  first  which  methods  are  methodologically  correct  before  asking  if  they  can  be 
applied in practice. 

Real prices and ideal prices are different: actual prices are prices paid for products, services, assets 
and labour, whereas computed prices are not actually charged or paid in market trade. Money‐prices 
are numbers, and numbers can be computed with exactitude. This seems to make economics exact 
sciences. Nevertheless, in the real world, prices tend to change fast, due to conditions too numerous 

29 
 
to enumerated here. As a consequence, when calculating price quantities a value theory is applied: 
this value theory refers to prices which could be used under certain assumed conditions, somewhere 
between actual prices and ideal prices. 

In statistics, a proxy variable is something that is probably not in itself of any great interest, but from 
which a variable of interest can be obtained. In order for this to be the case, the proxy variable must 
have a close correlation, not necessarily linear or positive, with the inferred value. For instance, two 
common  signs  of  increased  efficiency  are  time  savings  and  cost  avoidance.  Cost  avoidance 
conceptualises  the  estimated  virtual  cost  of  providing  the  standard  of  performance  as  achieved  by 
mHealth,  but  by  conventional  methods  in  use  before  the  mHealth  investment.  This  requires 
estimates of the staff and other resources needed to provide the same level of service without the 
mHealth solution. In practice, the mHealth performance cannot be attained easily, if at all, by these 
means,  but  the  estimated  additional  cost  avoided  is  a  proxy  for  the  enhanced  performance  of 
mHealth. (adapted from Karl A. Stroetmann, Tom Jones, Alexander Dobrev, 2006) 

Although  they  are  frequently  used  as  proxy  variables  for  the  costs  of  services,  billed  charges  may 
contain  important  distortions  amongst  services,  particularly  given  the  payment  arrangements  that 
address  a  substantial  portion  of  health  services.  As  payments  are  based  on  actual  financial 
transactions, they tend to be preferable to charges, although they may be poor proxies too for direct 
measures of costs in markets characterized by big discounts to some payers. To document the actual 
use  and  per  unit  cost  of  resources  consumed  in  order  to  provide  a  healthcare  service  would  be  a 
better approach, though much more difficult. (adapted from Marilyn J. Field, 1996) 

• Time savings and costs of Full Time Equivalent (FTE) 

Full‐Time  Equivalent  (FTE)  is  a  way  to  measure  a  worker's  involvement  in  a  project.  A  FTE  of  1.0 
means that the person is equivalent to a full‐time worker, while a FTE of 0.5 signals that the worker is 
only half‐time. Typically, different scales are used to calibrate this number, depending on the type of 
institution  (schools,  industry,  research)  and  scope  of  the  report  (personnel  cost,  productivity).  The 
costs  are  expressed  as  Full‐Time  Equivalent  staff.  Each  line  item  FTE  can  be  multiplied  times  the 
appropriate salary to obtain the semi variable and fixed costs for one given operating unit.  Studies 
can collect data about time efficiency using a time and motion methodology in comparison to work 
sampling and self‐report/survey methods. Time efficiency is one of several factors that are used to 

30 
 
assess  the  quality  of  mHealth  integration.  Time  saving  is  an  important  benefit  and  productivity 
measure. (adapted from Lise Poissant, 2005) 

• Contingent valuation 

Contingent  valuation  is  an  economic  tool  based  on  surveys  and  designed  to  value  non‐market 
resources. Even if these resources are useful to people, not every aspect of them has a market price 
as  they  are  not  sold  directly.  To  measure  these  aspects,  economists  can  use  contingent  valuation 
surveys,  which  are  a  stated  preference  model,  in  contrast  to  a  price‐based  revealed  preference 
model.  A  contingent  valuation  survey  asks  “how  much  money  people  would  be  willing  to  pay  (or 
willing to accept) to maintain the existence of (or be compensated for the loss of) the existence of 
some environmental feature”. (non‐)Health outcomes and process attributes can be valued through 
contingent  valuation.  This  method  relies  on  the  assumption  that  the  maximum  quantity  of  money 
that an economic agent is willing to pay for a good/service reflects the value of this service for them. 
This approach is based on choice: economic agents can choose between not having the product or 
service  and  having  the  product  or  service  but  at  the  price  of  a  certain  monetary  amount.  The 
financial amount that they are willing to give up to have the commodity is their willingness to pay for 
that commodity. (Zerbe, Richard O. and Allen S. Bellas. 2006) 

However, many economists contest the use of stated preferences to measure the willingness to pay 
for  a  good  or  a  service,  as  they  prefer  to  base  their  analysis  on  people's  revealed  preferences  in 
market transactions. 

• Discrete choice experiments (DCE) 

“Discrete  choice"  problems  (i.e.  choices  between  two  or  more  discrete  solutions)  contrast  with 
standard  consumption  models  characterized  by  the  fact  the  quantity  of  each  good  consumed  is 
supposed  to  vary  continuously.  Within  the  framework  of  the  continuous  standard  consumption 
model,  economist  can  employ  methods  of  computation  to  find  out  the  theoretical  optimum,  while 
demand can be modelized through regression analysis. 

Discrete  choice  modelization  is  usually  done  with  logit  (the  inverse  of  the  "sigmoid",  or  "logistic" 
function  used  in  mathematics)  and  probit  (the  inverse  cumulative  distribution  function  or  quantile 
function associated with the standard normal distribution) models. This modelization uses statistical 
models  to  quantify  the  consequences  of  variations  in  the  attributes  of  a  given  choice.  The  data 

31 
 
needed  in  order  to  create  the  models  can  be  collected  from  surveys,  experiments  or  structural 
estimation price and quantity information.  

Health  economists  can  also  use  DCE  to  value  health  outcomes,  non‐health  outcomes  and  process 
attributes  (and  also  trade‐offs  between  these  three).  “DCEs  are  an  attribute‐based  measure  of 
benefit. The technique is based on the premises that, first, any good or service can be described by 
its  characteristics  (or  attributes)  and,  second,  the  extent  to  which  an  individual  values  a  good  or 
service depends upon the levels of these characteristics. The technique involves presenting choices 
to  individuals  that  vary  with  respect  to  the  levels  of  attributes.  From  responses,  it  is  possible  to 
estimate the relative importance of attributes, how individuals trade between the attributes and, if a 
price  proxy  is  included  as  an  attribute,  willingness  to  pay  for  defined  services.”  (Dr  Anthony  Scott, 
2003; Mandy Ryan, 2005) 

• Willingness to pay approach 

The Consumer surplus is the amount that consumers benefit by being able to purchase a product for a 
price that is less than they would be willing to pay.  

Willingness to pay (WTP) is the main estimation method used for the monetary value of intangible 
benefits without a market price. These are usually benefits or costs to individuals, such as improved 

32 
 
quality,  changes  in  convenience,  less  or  more  stress,  and  changes  in  the  amount  of  attention  to 
patients  from  medical  staff.  The  aim  is  to  simulate  a  market  by  estimating  how  much  users  or 
beneficiaries will be willing to spend if they could receive the benefit, respectively avoid the negative 
impact,  but  only  against  payment.  Where  impacts  cannot  be  readily  measured  and  quantified,  or 
prices  determined  from  market  data,  the  WTP  can  be  determined  by  inferring  a  price  from 
observations of consumer behaviour. Conservative assumptions are made for all estimates to avoid 
overvaluing  benefits,  especially  where  the  impact  of  a  service  with  mHealth  can  be  reasonably 
expected  as  part  of  routine  services  before  mHealth.  The  only  condition  for  using  WTP  is  that  a 
different service is provided, and that someone, a citizen, a professional, administrative staff, is using 
it. As long as this is the case, a value may be attributed to the provision of that service. The economic 
good can be in the form of benefits from services that may range from feeling more comfortable with 
the  knowledge  of  a  complete  health  insurance  cover  when  travelling  to  avoiding  death  through  a 
more effective emergency service control and allocation system. Intangible benefits are benefits to 
citizens, for instance improved convenience and quality, or greater attention from medical staff. The 
WTP approach aims to simulate a market by assessing how healthcare beneficiaries would be willing 
to  pay  if  they  could  receive  the  benefit  only  against  monetary  payment.    (adapted  from  Karl  A. 
Stroetmann & al., 2006) 

b. Cost calculations: adjustment for contingencies for unaccounted 
costs and optimism bias  
 

Optimism  bias  is a  common  feature  of all  investment  plans,  so  mHealth  is  no  exception.  It  distorts 
financing  requirements  and  impairs  financial  sustainability.  Asking  whether  or  not  mHealth 
technology can reduce the cost of healthcare implies that there is some baseline cost, acceptable at 
some particular point in time, after which the cost  may rise or fall as the result of change brought 
about by new technology. The cost calculation includes annual cost estimates for each stakeholder 
group.  Each  cost  item  is  assigned  one  of  three  financial  characteristics  of  extra  finance  needed; 
redeployed finance needed; and non‐financial, that can be used in the Cost Summary to indicate the 
financial impact of mHealth systems. Some cost items will have to be separated into their component 
parts  where  two  or  three  of  the  financial  characteristics  apply.  "Approximate"  payment 
methodologies  that  "bundle"  unaccounted‐for  costs  could  be  developed  into  a  set  of  payment 
categories from which health care providers are paid .Contingency rates, as a percentage increase of 
the  costs,  are  applied  to  each  cost  category  to  adjust  the  estimates  for  the  degree  of  reliance  on 
estimates and assumptions that could be incomplete. Optimism bias is the demonstrated systematic 

33 
 
tendency for appraisers to be over‐optimistic about key project parameters. It must be accounted for 
explicitly  in  all  appraisals,  and  can  arise  in  relation  to  capital  costs  or  orientation  costs.    Using 
estimated  values,  which  is  necessary  to  measure  the  impact  of  mHealth,  cannot  be  done  properly 
without doing adjustments for contingencies and optimism bias, as estimates of benefits and costs 
tend to overstate benefits and understate costs. When estimates rely more on subjective judgement 
than objective facts and the person making the judgements is too involved in the evaluation subject, 
the  bias  gets  even  more  important.  Moreover,  there  are  costs  that  cannot  be  extracted  precisely 
from  the  global  cost  of  a  greater  service.  As  a  consequence,  contingency  adjustments  need  to  be 
applied  before  any  conclusion  about  the  net  economic  impact  can  be  made.  (adapted  from 
Karl A. Stroetmann & al., 2006) 

c. Time value of money: present value / discounted cash flow 
 

If the health effects or cost implications of mHealth or its alternatives stretch over time, the future 
stream  of  health  effects  and  costs  should  be  discounted  to  their  present  value.  The  final  cost  and 
benefit estimates of each option need converting to present values, using discounted cash flow. The 
option  with  the  highest  net  present  value  offers  the  best  investment.  It  offers  the  best  value  for 
money. Discounting is necessary to express costs on a common basis (present value) when they are 
incurred at different points in time. All monetary values are converted onto a comparable time base 
by presenting them in present values, using the discounted cash flow technique. The present value 
concept reduces nominal monetary values in the future by the discount rate to show their value at 
present, thus reflecting an opportunity cost of time. The base year is different for each evaluation. 

The logic for discounting costs is that the value of a unit of consumption to individuals and society 
decreases over time, for three possible reasons. First, individuals take into account the fact that they 
might not be alive to benefit from future consumption, and society takes into account the possibility 
of catastrophe—the possibility that any or all interventions might at some point in the future become 
valueless  due  to  the  technology  becoming  obsolete,  climate  change  or  social  chaos,  for  example. 
Second,  people  and  society  might  simply  prefer  consumption  now  to  consumption  in  the  future—
called the pure rate of time preference or, sometimes, myopia. Third, if it is expected that incomes 
will increase, the marginal welfare gain from an additional unit of consumption will be lower in the 
future,  when  people  are  richer,  meaning  that  any  given  increase  in  consumption  is  more  valuable 
now than in the future. Accordingly it is standard practice to discount future costs to their present 
values to allow for differences in the value of one extra unit of consumption over time. Discounting 
reflects  the  idea  that  people  place  a  higher  value  on  events  or  benefits  in  the  present  than  in  the 

34 
 
future and that funds invested in the present can reap interest over time. It is not an adjustment for 
inflation.  (adapted  from  Tessa  Tan‐Torres  Edejer,  World  Health  Organization,  R.  Baltussen,  A. 
Acharya, T. Adam, 2003) 

The discounted cash flow formula is derived from the future value formula for calculating the time 
value of money and compounding returns. 

The simplified version of the (for one cash flow in one future period) is expressed as: 

where 

• DPV is the discounted present value of the future cash flow (FV), or FV adjusted for the delay 
in receipt; 
• FV is the nominal value of a cash flow amount in a future period; 
• i is the interest rate, which reflects the cost of tying up capital and may also allow for the risk 
that the payment may not be received in full; 
• d is the discount rate, which is i/(1+i), i.e. the interest rate expressed as a deduction at the 
beginning of the year instead of an addition at the end of the year; 
• n is the time in years before the future cash flow occurs. 

Where  multiple  cash  flows  in  multiple  time  periods  are  discounted,  it  is  necessary  to sum  them  as 
follows: 

for each future cash flow (FV) at any time period (t) in years from the present time, summed over all 
time periods. The sum can then be used as a net present value figure. If the amount to be paid at 
time 0 (now) for all the future cash flows is known, then that amount can be substituted for DPV and 
the equation can be solved for i, that is the internal rate of return. 

All the above assumes that the interest rate remains constant throughout the whole period. 

With continuous cash flows, the summation in the above formula is replaced by an integration: 

DPV= integral over the required time period of FV(t) * (1‐exp(‐it)) dt 

where FV(t) is now the rate of cash flow. 

35 
 
 d. Accounting for uncertainty: sensitivity analysis  
 

All estimates of costs and effects are subject to uncertainty and the sources of this uncertainty can 
be  categorized  in  a  number  of  ways,  for  instance:  parameter  uncertainty,  model  uncertainty  and 
generalizability uncertainty. Parameter uncertainty arises for two reasons. The first is due to sample 
variation  around  estimates  of  variables  used  to  calculate  a  cost  effectiveness  ration,  such  as  unit 
costs or the efficiency of an intervention. The second is because there is no agreement about value 
judgements  required  for  the  cost  analysis—the  choice  of  the  appropriate  discount  rate  is  an 
example.  Model  uncertainty  relates  to  uncertainty  around  the  appropriate  functional  form  of  a 
model  used  to  estimate  a  particular  parameter  and  the  explanatory  variables  that  should  be 
included.  Generalizability  uncertainty  relates  to  the  need  to  extrapolate  the  results  of  studies. 
(adapted  from  Tessa  Tan‐Torres  Edejer,  World  Health  Organization,  R.  Baltussen,  A.  Acharya,  T. 
Adam, 2003) 

Various methods can be used to show the impact of uncertainty on estimates of cost‐effectiveness. 
Sensitivity  analysis  is  useful  to  indicate  uncertainty  related  to  value  judgements,  while  the 
bootstrapping approach (i.e. a re‐sampling technique used to obtain estimates of summary statistics 
that doesn’t need to assume the distribution family of the data and proves to be useful to quantify 
uncertainty  related  to  parameter  estimates  through  probabilistic  analysis,  thanks  to  its  good 
asymptotic properties) can be applied to capture uncertainty related to the distribution of parameter 
estimates. 

The  results  of  the  evaluation  are  always  tested  for  robustness  by  a  sensitivity  analysis.  Sensitivity 
analysis  studies  how  the  output  uncertainty  of  a  mathematical  model  can  be  divided  and  shared 
between different sources of variation in the model input. This type of analysis puts the robustness 
of a mathematical modelling study to the test, trying to identify which source of uncertainty is likely 
to affect more the study’s outcomes. For instance, various guidelines for impact assessment advise to 
use  sensitivity  analysis  to  ensure  the  quality  of  the  study.  Sensitivity  analysis  is  often  used  to 
anticipate criticism in modern econometrics. 

Analysts facing a decision problem might try to identify cost drivers as well as other quantities so as 
to  make  a  relevant  choice.  Since  some  quantities  don’t  have  any  influence  on  the  predictions, 
economists can relax some of the conditions without any loss of accuracy. Here are some situations 
where this type of analysis can prove useful: 

• identifying critical assumptions and comparing alternative model structures 

36 
 
 • guiding future data collections 
• detecting important criteria 
• optimizing the allocation of resources 
• model simplification or model lumping, etc. 

Nevertheless, the use of sensitivity analysis in an economic context is not without its shortcomings: 

• Examining every single variable individually is unrealistic, since they are all interdependent. 
For instance, a mere change in one factor such as price is likely to affect other factors such as 
volume. 
• Often  past  experience/data  which  may  not  hold  in  the  future  are  used  as  a  basis  for 
sensitivity  analysis.  This  is  all  the  more  critical  so  as  sensitivity  analysis  is  also  used  with 
innovative technologies such as mHealth since they’re likely to bring about a new healthcare 
economic model.  
• Setting  a  pessimistic/minimum  and  optimistic/maximum  value  depends  on  subjective 
interpretation. For example, an economist's forecast may be more conservative than that of 
another  economist  performing  another  part  of  the  sensitivity  analysis.  This  high  level  of 
impact of subjectivity can negatively influence the objectivity and accuracy of the sensitivity 
analysis. 
• It  might  be  also  better  to  use  probabilistic  uncertainty  analysis  to  explore  the  impact  of 
variability  in  parameters  which  can  be  measured  and  for  which  there  is  an  underlying 
probability  distribution  (as  sensitivity  analysis  is  more  relevant  for  variables  that  cannot  be 
measured and for which there is no probability distribution). 

Uncertain  context  is  linked  to  decision  making  in  health  care.  Cost  effectiveness  acceptability  and 
sensitivity  analysis  curves  establish  the  degree  to  which  this  uncertainty  could  impact  conclusions 
about  the  economic  outcome  of  clinical  decisions:  results  are  calculated  separately,  while  making 
uncertain  estimates  of  risks,  benefits,  and  values  vary  over  a  given  set  of  parameters,  allowing 
analysts to find out how the results of the analysis might vary depending on the different estimates 
that are possible. For instance, in a univariate sensitivity analysis, a parameter such as a utility varied 
and indicates the degree of impact this value has on the result of the global analysis. The problem is 
that  looking  at  only  one  single  variable  is  not  enough  in  most  cases.  That  is  why  multivariate  cost 
effectiveness  acceptability  and  sensitivity  analysis  curves,  which  observe  various  sources  of 
uncertainty at the same time and various varying conditions, are likely to generate a more accurate 
estimate of cost for decision makers. (adapted from Patricia W Stone, 2002) 

37 
 
There  are  several  possible  procedures  to  perform  sensitivity  analysis:  sampling‐based  methods, 
screening based methods, variance based methods, high dimensional model representations, or even 
local  methods,  such  as  the  simple  derivative  of  the  output  Y  with  respect  to  an  input  factor  Xi  

 , where the subscript   indicates that the derivative is taken at some fixed point in the 
space of the input (hence the “local” in the name of the class). 

Concerning  mHealth,  a  sensitivity  analysis  (by  overvaluing  costs  and  underestimating  benefits)  can 
test the cost model’s robustness. Additionally, sensitivity analysis can consider costs under different 
assumptions, for instance geographical, behavioural, social and technological ones.  

3. Main variables and parameters of costs 
 

Costs  are  divided  into  three  general  classes:  direct,  indirect  and  intangible  costs.  Before 
implementing  a  mobile  health  application,  providers  should  assess  its  return  on  investment, 
introducing the issue of reimbursement as third party payers, such as private or government sources, 
contribute  with  professional  fees.  The  theoretical  framework  relating  to  the  production  of  health 
services  by  HPOs  is  not  so  different  from  the  economic  framework  of  any  run‐for‐profit  private 
company.  Hospitals  use  a  number  of  inputs  (staff,  hardware,  medicines…)  to  create  a  series  of 
outputs (health). 

Examples of cost and financial information needed are: 

• Initial  capital  and  investment  costs  (medical,  video  and  telecommunication  equipment, 
software) 
• Continuing operating costs of ICT (e.g. user charge of equipment for rental and maintenance, 
costs of communication) 
• Wages of doctors and other staff 
• Education and training of the technology and update skills 
• Changes  to  process  and  organisation:  procurement,  project  management  and  change 
management 
• Costs of patients 
• Costs of caregivers 
• Effect on productivity of provider 
• Effect on the operating expenditure of healthcare 

38 
 
 • Resources required for staff training, such as time and skills, and workflow rearrangement 
• Key data on financial context such as reimbursement system. 
• Additional and other relevant costs 
• Intangible costs  
• Changes  to  process  and  organisation:  procurement,  project  management  and  change 
management, training 

a. About staffing costs 
 

Healthcare staff can also incur notional economic costs by allocating time to mHealth development 
and  implementation.  This  can  take  time  away  from  other  activities,  request  special  attention  and 
effort on behalf of each individual, and thus create a notional economic cost of disruption. Staffing 
costs  often  comprise  the  largest  component  of  healthcare  resources.  Time  invested  by  managers, 
administrators,  medical  professionals,  health  workers  and  clerical  staff  in  the  planning, 
implementation and use of mHealth technology must be accounted for. In addition there will be staff 
costs associated with running and maintaining mHealth infrastructure. Training costs are also likely to 
be  incurred.  However,  once  up  and  running,  staff  cost  may  be  reduced  by  mHealth.  For  example, 
monitoring of chronic conditions using mobile phones and portable monitoring systems could reduce 
the  number  of  visits  patients  make  to  their  general  practitioners  or  specialists.  Health  services  are 
very  labour  intensive,  so  an  important  explanation  for  the  cost  pressure  is  the  growth  in  wages  of 
health workers, which have not been offset by productivity increases. (adapted from Peter Wells & 
al., 2006) 

b. About capital costs 
 

Capital items are clearly important in the area of mHealth. Costs will include the “hardware, system 
and applications software and network/telecommunications infrastructure, as well as any capital or 
equipment costs of maintenance”. In spite of this initial expenditure, the opportunity costs of capital 
assets  should  be  stretched  over  the  time  period.  Depending  on  the  viewpoint  of  the  assessment, 
costs  to  patients  and/or  costs  to  their  relatives  can  also  be  included,  both  in  terms  of  time  and 
money. The capital costs of equipment should be differentiated from the operational costs of service 
provision. (Peter Wells & al., 2006) 

39 
 
Capital goods are defined as inputs that last for more than a year. As they are bought in one year and 
used for several years more, there is a need to spread the costs over the study period. The economic 
cost  of  using  capital  consists  of  two  components:  the  opportunity  cost  of  making  the  investment 
(resources invested in its purchase that cannot be used elsewhere) and the rate at which the capital 
is  “used  up”  (commonly  called  depreciation).  Let  P  be  the  value  of  the  good  when  bought  where 
resale  is  netted  out  and  resale  nominal  value  be  denoted  by  S.  If  K  is  the  nominal  purchase  value, 
then: 

where r is the period interest rate and n is the period in which the capital is replaced. Assigning E as 
the equivalent cost per period, we get  

 where   

The  annual  costs  of  capital  investments  can  be  approximated  by  their  rental  price  where  a  rental 
market  exists  and  works  relatively  well.  But  because  this  is  often  not  the  case,  the  preferred 
approach  is  to  annualize  them  taking  into  account  purchase  value,  resale  value,  interest  rate  and 
working life. 

c. About social costs 
 

The  social  perspective,  which  incorporates  the  total  cost  of  resources  used  to  provide  a  service 
through mHealth for instance, is relevant for many public policy decisions. 

Some  authors  seem  to  think  mHealth  will  allow  for  a  more  preventive  approach  to  healthcare, 
however we don’t know if the healthcare system will be able to respond to the growth in demand for 
monitoring.  With  technologies  such  as  mHealth,  patients  are  likely  to  expect  more  frequent  IS/IT‐
based  exchange  (for  example  via  mobile  3G  services)  than  the  economic  threshold  for  these 

40 
 
technologies allows, which may result in an increase in costs to healthcare suppliers. (adapted from 
Marilyn J. Field, 1996) 

It is clear that mobile phones are not the perfect and ultimate solution to solve all the predicaments 
affecting the healthcare sector. Still, there are segments of healthcare where mobile phones would 
deal perfectly with some of the sources of inefficiency in health care. Judgements can be made on 
whether  additional  cost  per  service  through  mHealth  is  justified  by  an  increase  in  some  clinical  or 
social benefits and whether cost‐effectiveness of the application is likely to improve with further use 
for larger numbers of clients. 

d. About technology costs 
 

The  key  technology  trends  in  mobile  technology  continue  to  be  the  same  trends  that  have 
characterized ICT progress for the past 40 years: miniaturization, greater speed and cost reduction. In 
a  near  future,  mobile  computing  devices  will  continue  to  get  cheaper  and  cheaper.  Hand‐held 
devices and  mobile phones will become even more common  place than they are now. Meanwhile, 
disposable computing, such as RFID technology, will gain more popularity through everyday use. RFID 
technology will enable wireless devices to transmit and store information at an extremely low cost. 
RFID will be used notably to track people inside and outside buildings. Continuing improvements in 
this technology will increase their range and decrease their power consumption, hence their cost. A 
growing  number  of  personal  healthcare  wireless  mobile  devices  based  on  ultra‐low‐cost  computer 
technology are likely to appear soon on the market.  (adapted from Ville Harkke, Pär Landor, 2002) 

However,  there  are  limits  on  the  existing  wireless  technologies,  especially  the  existing  commercial 
“M‐Health” services, including the high cost of communication links and the limitation of the existing 
wireless  data  rates.  Mobility  and  telepresence  needed  for  ubiquitous  healthcare  will  come  with  a 
certain cost. This cost is the limitation of the wireless network: at the moment, it is expensive, has a 
low bandwidth, a high latency and is not very reliable. Perhaps current available mobile technology is 
not ideally suited for some of the mHealth applications that need high bandwidth and/or lower costs 
for  both  effectiveness  and  sustainability.  (adapted  from  Robert  S.  H.  Istepanian,  Swamy 
Laxminarayan, Constantinos S. Pattichis, 2005) 

Another  technology‐related  risk  is  the  investment  risk:  the  uncertainty  surrounding  the  future 
standards  of  mobile  communications  is  a  major  reason  for  slowing  down  the  adoption  of  mHealth 
services and technologies. The risk of investing in a costly technology with elusive benefits has been 
keeping  the  market  waiting  for  the  appearance  of  a  widely  recognized  common  standard.  On  the 

41 
 
other  hand,  one  must  consider  the  still  rapid  evolution  of  some  mHealth  equipment  and  other 
mobile  devices,  with  related  decrease  in  costs.  Failure  to  take  account  of  these  may  unreasonably 
bias study results against mHealth. Mobility’s appropriateness to any given application is dependent 
upon a balance of technical performance, cost and efficacy, conditions that will continue to evolve. 

In developing countries, delivering Internet access to rural areas remains a major challenge. Hence, 
mHealth facility based wireless infrastructure provides another valuable method of communication. 
Portable,  durable,  and  very  powerful  for  their  size,  handheld  computers  can  perform  many  of  the 
same  tasks  as  a  desktop  or  laptop  computer  at  a  very  low  cost.  Handhelds  function  well  even  in 
environments  where  electricity  is  only  available  through  solar  chargers,  car  batteries,  or  other 
alternative sources. Novice users can quickly adopt the technology, requiring only a couple days of 
training  to  master  basic  functions.  Competent  network  and  database  managers  require  minimal 
training to support the  use of handheld computers  for routine information dissemination and data 
collection and reporting. Data and information can be shared rapidly across distances when handheld 
computers  are  used  in  conjunction  with  the  existing  telecommunications  infrastructure,  but  the 
technology is also highly functional in remote locations where the telecommunications infrastructure 
is  unreliable.  Handheld  computers  can  bring  about  more  rapid,  accurate  and  cost‐effective  data 
collection and reporting than traditional methods. The subsequent increase in efficiency could totally 
justify the cost of the PDA investment for example. (adapted from Maurice Mars & Chris Seebregts) 

For  instance,  handheld  computers  are  capable  of  delivering  urgently  needed  health  information  to 
the  world’s  poorest  communities,  including  those  where  the  Internet  and  reliable 
telecommunications  remain  unaffordable  luxuries.  What  must  be  done  now  is  to  identify  cost‐
effective ICT tools to connect health professionals to each other and to vital information resources in 
developing  countries,  use  these  tools  to  deliver  content  that  meets  their  needs,  and  building  local 
capacity so that end  users and technical support personnel, including network managers, database 
managers,  and  trainers,  are  able  to  use  and  support  the  technology.  There  exist  sufficiently 
favourable conditions in Asia Pacific countries for cell phones to be a viable tool in the battle against 
the  digital  divide.  We  can  learn  much  from  the  successful  market  penetration  and  creative 
applications of this technology as we look for ways to integrate additional tools into the continuum 
of  solutions  for  improving  information  access  in  poor  countries.  This  continuum  runs  from  high‐
speed, high‐bandwidth Internet connectivity on one end to the old‐fashioned “sneaker network” on 
the  other.  In  between,  every  option  available  must  be  explored  and  exploited  to  maximize  the 
potential  for  access  while  minimizing  costs.  Cell  phones  are  clearly  part  of  this  continuum,  as  are 
smart  phones,  memory  caching  systems  and  handheld  computers.  Portable,  durable  even  in  harsh 
conditions, and very powerful for their size, PDAs can perform many of the same tasks as a desktop 

42 
 
or laptop computer at a fraction of the cost. While it is not a substitute for a conventional computer, 
a  USD  100  PDA  is  a  workable  and  cost‐effective  alternative,  especially  in  under‐resourced 
environments. Handheld computers notably make it possible to streamline the usually cumbersome 
and costly process of data collection. (adapted from Keith MacDonald, Fran Turisco & Erica Drazen, 
2003) 

The text messaging transmission costs need also to be considered. For example, the more popular a 
telephonic  information  provider  service  (e.g.  infoline)  will  get,  the  more  text  messages  this  service 
will  need  to  send  to  users  and  the  higher  the  message  delivery  charges  will  become.  “In‐kind 
donations from telecommunications providers can drive these costs down, but this strategy can also 
raise questions about project sustainability”. (Sheila Kinkade for UN Foundation, 2008) 

4. Typology of Healthcare stakeholders, their place in the mHealth 
value chain and the cost/benefit effects of mHealth on them 
 

To  appreciate  the  effectiveness  and  sustainability  of  any  value  chain,  presently  the  mHealth  value 
chain,  one  must  first  understand  the  participants  in  each  link  of  that  value  chain  and  assess  their 
incentive structure as organizations. This background will enable a more sophisticated understanding 
of the strengths, weaknesses and power centres within the mHealth value chain and the impact they 
have  on  specific  services  delivered.  More  participants  in  the  value  chain  means  more  costs  to  be 
spread  out  among  more  organizations  who  need  to  share  the  return.  With  multiple  players  in  the 
chain, scaling becomes more difficult and may make service provision more expensive as it becomes 
harder to motivate additional organizations to participate in any way to form of creative partnership. 
Higher‐level  incentives  (whether  in  the  form  of  revenue  or  cost  efficiencies)  can  cause  value  chain 
participants  to  consider  innovative  business  models,  product  modifications  or  reduced  pricing  in 
return for the benefits the program can bring.  With more value chain participants and higher costs 
of execution, there is less financial reward (whether in the form of profitable revenue or operational 
efficiencies)  to  go  around.  It  therefore  becomes  progressively  more  difficult  to  reach  the  financial 
impact that gains interest and partnership with larger organizations. Minimum incentives, however, 
likely will gain standard involvement, products and pricing from value chain participants. In general, 
incentives  for  mHealth  value  chain  participants  can  be  categorized  as  cost  savings,  increases  in 
operational effectiveness, or revenue generation. The ability to demonstrate and deliver appropriate 
incentives to every participant in the value chain is the essential to building a sustainable initiative. 
Not  all  incentives  are  related  to  revenue.  Cost  savings  is  also  an  important  incentive.  But  even  in 
these areas, the ability to demonstrate cost savings or efficiencies of time, labour, or money will rely 

43 
 
upon achieving a volume at which the start‐up and ongoing costs of the program provide a positive 
return on investment. (adapted from Marion J. Ball & al., 2008) 

Here we will try to identify how monetary costs and savings are distributed among particular parties. 
It  is  important  to  distinguish  between  cost‐effectiveness  for  whom:  society,  third‐party  payers, 
health provider or patients? Entities such as insurers, providers, and patients bear variable portions 
of  total  costs  and  reap  variable  amounts  of  any  cost  savings.  Thus,  an  analysis  based  on  a  private 
insurer's perspective might incorporate costs only for health care covered by the insurance plan and 
exclude  any  uncovered  expense  (e.g.,  transportation)  borne  by  the  insured  and  any  bad  debts 
absorbed  by  providers  for  patients  who  could  not  pay  their  share  of  costs. Hospitals  and  physician 
groups would generate a somewhat different set of included and excluded costs, as would patients. 
Moreover, in addition to costs for uncovered services and copayments or coinsurance, patients and 
other members of the population at risk experience health effects—positive and negative. For health 
plans  or  providers  paid  on  a  capitation  basis,  the  perspectives  of  payers  and  providers  may  be 
melded  and  reshaped  as  these  parties  assume  financial  responsibility  for  a  comprehensive  set  of 
benefits  for  a  defined  population  at  risk.    If  mHealth  offers  efficiencies  are  compared  to  its 
alternatives, managed care plans and capitalized systems are more likely to realize these benefits and 
to invest in mHealth technologies. Further, to the extent that managed care and capitalized delivery 
systems encompass a broader range of services and health professionals and to the extent that they 
maintain a stable enrolee  population over time (which  cannot be assumed), they may come  closer 
than traditional insurers and providers to internalizing the total costs of alternative ways of managing 
medical conditions. The different stakeholders’ perspectives may prove to get really significant when 
dealing  with  transportation  costs.  Benefits  for  the  patients  that  are  gained  through  reduced  travel 
costs  and  waiting  time  has  to  balanced  with  the  increase  in  costs  for  healthcare  providers.  Health 
care organizations, integrated delivery systems, and managed care plans may or may not internalize 
the travel costs of physicians and other health professionals delivering care to people at a distance. 
Within traditional fee‐for‐service payment and private indemnity insurance, it has been unusual for 
plans  to  cover  transportation  of  patients,  except  for  ambulances  or  other  special  vehicles  and  for 
emergencies. (adapted from Stefan Hakansson and Carin Gavelin, 2000) 

Depending on the point of view adopted (on the one hand, a broad healthcare analysis focused on 
governments,  public  authorities  and  healthcare  paying  organizations;  on  the  other  hand,  a  more 
specific analysis focused on the very mHealth paradigm itself that takes more into account stakes of 
privates  businesses  and  organisms),  the  stakeholder  mapping  can  vary  from  a  generic  map  of 
healthcare agents to a value chain analysis similar to the business concept management presented 
by Michael Porter. 

44 
 
 

  

45 
 
  

Direct and indirect benefit flow and accumulation (in “Methodology for evaluating the socioeconomic impact of interoperable 
EHR and ePrescribing systems”, European Commission, DG INFSO & Media) 

mHealth value chain from a business point of view (in Landscape Analysis of mHealth in the Global South (Vital Wave 
Consulting, UN Foundation) 

46 
 
Impacts of mHealth systems are numerous and affect various stakeholders, and so their treatment 
needs  to  be  explicit  in  the  methodology.  As  the  inter‐connections  of  stakeholders  in  a  mHealth 
environment are so complex, it is important to define and record the stakeholder perspective taken 
in  the  evaluation.  In  addition,  an  evaluation  should  enable  comparisons  of  the  findings  of  similar 
cases.  Thus,  the  structure  of  the  mHealth  cost  impact  assessment  methodology  is  refined  to  meet 
this  complexity  by  disaggregating  the  various  components  of  the  evaluation.  This  required  a 
methodology  that  can  compile  costs  and  benefits  for  mHealth  investment  (with  two  main 
components  ICT  and  organizational  change),  as  well  as  a  framework  of  stakeholder  groups,  the 
impact on which can be disaggregated in standard, comparable format.  In a healthcare cost analysis, 
economists should focus on the spread of capital costs over time and the potential cost savings, but 
also on the costs falling on both patients and the NHS, from a multi‐stakeholder perspective.  

The four main stakeholder groups are  

1) Patients and other citizens 

2) Healthcare staff 

3) Health services provider organizations  

4) Third parties (health insurance companies and other payer bodies, as well as authorities or 
government  organization  that  could  be  affected  without  having  the  explicit  role  of 
reimbursing HPOs for health services) 

Benefits for patients, healthcare professionals and healthcare providers have equal emphasis at the 
core  of  the  evaluation.  An  evaluation  should  enable  comparisons  of  the  findings  of  similar  cases. 
Thus,  the  structure  of  the  present  methodology  is  to  be  refined  to  meet  this  complexity  by 
disaggregating  the  various  components  of  the  evaluation.  This  requires  a  methodology  that  can 
compile costs and benefits for: 

• mHealth investment with two main components, ICT and organizational change 

• a framework of stakeholder groups, the impact on which can be disaggregated in standard, 
comparable format 

a. Patients and other citizens 
 

Citizens include people who are not patients, but have an interest in services being available for their 
family now, or for themselves in the future – carers and patients. Citizens are individuals who can be 
patients, carers or people who may need access to healthcare in the future. In order to be inclusive, 

47 
 
by citizens we also understand those individuals residing in a country temporarily or personally, and 
not  just  in  possession  of  the  countries  nationality.  Expected  benefits  on  patients  who  experience 
health services that rely on modern mHealth include some of the following: 

• Control over medical record, better information 
• More appropriate treatment (avoidance of unnecessary interventions, adverse events etc.) 
• Time  (and hence, money) savings ‐ faster treatment and recovery 
• Reduced Waiting Time, Travel Time and Travel Costs 
• Faster rehabilitation 
• Fewer visits to GPs and hospitals 
• Longer life of better objective quality 

Improved quality, time saving and better access are important measures of patient benefits. Many of 
these factors can be measured objectively, but the list includes important subjective aspects, which 
need proxy data for the estimated monetary values. Potential benefits for patients and carers need 
to be set alongside their potential costs. Some patients may be covered by their third party payers, 
others may have to make co‐payments or supplementary payments. It is not usual for citizens to bear 
direct costs of investment in such systems. Using the term quality as an outcome indicator requires a 
set of specific definitions and categories that comprise quality, which leads to a context where the 
variety  of  instruments  is  huge.    (adapted  from  Panagiotis  Germanakos,  Constantinos  Mourlas, 
George Samaras, 2005) 

Mobile phones can increase the efficiency of health care provision by reducing communication costs 
and  thereby  improving  the  interface  between  health  care  professionals  and  patients.  Such 
improvements may be particularly valuable where they can improve patients’ compliance with their 
treatments.  Reducing  poor  or  non‐compliance  provides  a  particularly  important  example  of  how 
mobiles  might  help  reduce  the  burden  of  disease  on  the  health  system  and  the  economy  through 
better  communication.  Mobile  phones  also  provide  another  avenue  to  access  to  health  care  and 
health information. This may increase the demand for health care but if the consequent additional 
services  are  cost‐effective  or  lead  to  reductions  in  future  health  care  costs  by  improving  health 
outcomes, then the cost impact may be modest relative to the health benefits obtained.  

A final value proposition of mobile technologies for healthcare is their apparent low cost. Certainly, 
unlike  many  medical  innovations,  the  cost  of  mobile  technologies  to  the  consumer/patient  is  very 
small and their cost‐effectiveness very high. There are of course the capital and operational costs of 
the  supporting  infrastructure  but  such  costs  are  shared  over  many  markets  and  the  expansion  of 

48 
 
generic mobile services has produced dramatic falls in service costs; a trend that shows no signs of 
abating. Indeed, as the technologies become more powerful the introduction of more innovative and 
seamless applications will drive down costs even further. These effects will, as noted, also encourage 
enterprises that previously had no presence in the health sector to offer value‐added products and 
services. (adapted from Klaus A. Kuhn, James R. Warren, Tze‐Yun Leong, 2007) 

b. Healthcare staff 
 

Healthcare  staff  includes  separate  analyses  for  various  types  of  doctors,  nurses,  pharmacists,  and 
administrative staff as the most common mHealth system users. Other categories can be added for 
staff whose working practices and arrangements are affected by mHealth systems, but who are not 
users.  These  healthcare  professionals  and  other  workers  can  work  in  a  wide  variety  of  healthcare 
settings,  including  primary  care  and  hospitals,  and then  in  various  roles,  including  emergency  care, 
out  of  hours  care,  pharmacy  advice,  general  and  acute  hospital  care,  and  pharmacy  services  to 
citizens.  Healthcare  professionals,  such  as  doctors,  nurses,  and  pharmacists,  and  other  healthcare 
workers including administrative staff, can rely on a mHealth system at the point of care to achieve: 

• Improved effectiveness ‐ better results of care 
• Avoided unnecessary visits and examinations 
• Better and more targeted drug prescriptions 
• More transparency in the health system, quality control 
• Achieve a better outcome for their patients 
• Save time by matching the scheduling of healthcare resources to patients’ needs 
• Time saved – preparation, information search, more clients 
• Manage demand and be more productive 
• Reductions in avoidable errors, e.g. from illegible handwriting 
• Reduce the number of potential errors, and so improve risk management 
• Use consistent information in designing and providing health services 
• Minimise the time they spent collecting data that has already been collected 

c. Health services provider organizations 
 

Health  services  provider  organisations  can  include  GP  practices,  general  hospitals,  specialised 
hospitals,  teaching  and  university  hospitals,  and  social  care  organisations.  The  acquisition  and 

49 
 
implementation costs for mHealth‐related technologies tend to be significant, while their benefits do 
not  benefit  the  purchasers  themselves.  The  HPOs  that  have  to  use  complex  and  innovative 
technologies  to  achieve  improvements  in  health  care  are  not  likely  to  invest  their  scarce  financial 
resources  without  compensation,  especially  when  they  don’t  get  any  reimbursement  or  direct 
benefit from these investments in technologies. Public healthcare systems have only limited financial 
resources to address an unlimited problem (notably the rise in demand, both in quality and quantity), 
which results in strong cost constraints. (Mitchell Adams, 2003) 

Following are some parameters to take into account when analysing mHealth‐based services from a 
HPO point of view: 

• Real, health benefits for their patients 
• Improvement in  the quality of service 
• Improvement in  the quality of access and costs for their patients 
• Improvement in  resource utilisation and in productivity that may incur a decrease in unit 
costs 
• Time needed to realise a benefit 
• Financing of the ICT and organisational change  
• Financial performance (will there be any profits?) 
• Supplementary gains available, such as competitive advantage, extra market share, and 
increased income from capturing activity more accurately and comprehensively and from 
increased activity 
• Existence of other ways to achieve the same returns 

Organisations  providing  health  services  will  be  strongly  affected  by  the  introduction  of  mHealth 
systems.  On  the  one  hand,  their  working  environment  and  processes  may  change  significantly, 
leading to a number of direct benefits, such as efficiency gains. On the other hand, HPOs, especially 
hospitals,  are  often  the  main  drivers  behind  investments  in  eHealth  systems  (including  mHealth 
systems) and bear a large proportion of the costs. A useful approach, when taking the viewpoint of 
the  healthcare  provider,  is  a  breakeven  analysis:  the  breakeven  analysis  considers  the  volume 
needed  for  the  total  annual  costs  of  the  two  types  of  services  (the  mHealth  service  and  the 
alternative  service)  to  be  equal.  The  mHealth  option  is  likely  to  have  higher  fixed  costs  because  of 
equipment  and  telecommunication  charges  whereas  the  classic  option  has  higher  variable  costs 
because of travel and other time‐related expenditure, for example. (adapted from Bill Mc Culloch & 
al, 2006) 

50 
 
 d. Third party payers 
 

Third parties includes health insurance companies and other payer bodies, as well as authorities or 
government  organizations  that  could  be  affected  without  having  the  explicit  role  of  reimbursing 
health payers organization for health services. Healthcare and investments in mHealth systems can 
be financed in a variety of ways, including: 

• Public or private health insurers reimbursing healthcare provider organizations or healthcare 
professionals directly 
• Governments paying directly and in full, so ultimately using tax‐money 
• Governments and parliaments providing grants for investment. 

Whether mHealth investment is attractive for third party payers depends on factors such as the: 

• Benefits for their clients and patients 
• Improvements to the quality of healthcare 
• Cost savings expected from new models of care 
• Scope to manage demand for more costly services 
• Impact on their competitive market position 
• Impact of financing the investment on financial performance 

mHealth  costs  are  strongly  related  to  patient  volumes,  but  issues  such  as  protocols  for 
reimbursement  need  to  be  resolved  before  large‐scale  implementation  is  likely  to  be  achieved.  In 
many  countries,  reimbursement  for  mHealth  services  is  likely  to  be  one  of  the  most  crucial  issues 
governing the potential adoption of the technique. Health insurance systems vary considerably and 
the  structure  of  these  systems  is  likely  to  affect  the  ability  and  willingness  of  insurers  to  pay  for 
mHealth services. 

5. Typology of mHealth issues depending on country’s level of 
income economy 

a. High income economies 
 

In the high income economies the problem of how best to care for an ageing population increasingly 
affected by the diseases consequent on affluence, probably represents the biggest challenge. Some 
aspects of the care of older people will have to be moved from the hospital to the community but 

51 
 
this  is  no  easy  task  and  good  information  communication  through  mHealth  is  one  of  the  pre‐
requisites  to  making  this  change.  The  result,  if  well  managed,  could  be  both  improved  care  and 
reduced  use  of  resources.  In  these  countries,  clinical  and  managerial  applications  are  already  in 
place:  E‐health  infrastructure  is  in  development  or  maturing.  The  priority  concerns  will  be 
applications to support emerging health priorities (long term conditions, ageing) and inter‐operability 
across existing e‐health services. (W. Seabrook and A. Ruck, 2008) 

However,  high  income  economies  are  not  the  primary  interest  of  our  study  as  APUHC  research 
efforts mainly focus on the Asia Pacific region.  

b. Middle and low income economies 
 

In  the  middle  income  economies  healthcare  demand  and  costs  are  increasing  rapidly  and  it  is  vital 
that the results of the thinking on the changes that mHealth will make in communication and training 
is  put  in  place  before  huge  investments  are  made  in  infrastructure.  Such  an  investment  could 
become redundant far sooner than was expected when the project started if the effect of mHealth 
on  infrastructure  needs  is  not  properly  considered  in  the  planning  phase.  The  hospital/community 
care mix in the future is a critical factor in the decision making process. mHealth will influence those 
decisions. Initial investments have already been made there but there is little e‐health infrastructure. 
Some  clinical  and  EHR  applications  have  been  implemented,  but  in  major  hospitals  only.  The  main 
concern there will be to know whether there is a possibility of leap‐frogging the developed countries 
approach  to  E‐Health  infrastructure,  clinical  applications  (a  model  to  spread  across  all  institutions) 
and  applications  required  as  part  of  response  to  emerging  health  priorities.  (adapted  from  W. 
Seabrook and A. Ruck, 2008) 

In  the  low  income  economies,  the  challenge  is  the  basic  provision  of  healthcare  and  health 
information,  and  tackling  major  diseases  such  as  HIV/AIDS,  tuberculosis  and  malaria.  Affordable 
communications  to  support  both  healthcare  delivery  and  health  education  are  major  areas  where 
mHealth  can  help.    Some  vertical  applications  (often  aid/grant  funded  to  support  targeted  health 
programmes)  are  already  in  place  there  but  they  remain  scarce.  The  main  concern  for  these 
economies will be to determine how sustainable existing mHealth services are. A poor infrastructure 
is generally considered to be a significant barrier to rapid and broad based deployment of e‐health 
solutions  in  many  developing  countries.  This  may  be  due  to  the  lack  of  affordability  and/or 
availability of secure or appropriate broad band networks, or key elements of IT infrastructure. A firm 

52 
 
funding  and  delivery  model  for  e‐health  programmes  needs  to  be  factored  into  plans  for  new 
mHealth programmes as sustainability of e‐health services could be a major problem in developing 
countries.  mHealth  may  be  perceived  to  be  impractical  or  low  priority  in  the  light  of  competing 
priorities. (adapted from W. Seabrook and A. Ruck, 2008) 

It  is  the  ease  and  familiarity  of  mobile  telephony  that  has  driven  the  uptake  of  mobile  services  in 
governance,  banking,  and  commerce.  In  most  countries  where  mBanking  has  been  introduced,  it 
operates at a profit because of pricing schemes that encourage high levels of usage with lower rates.  
Around  the  world,  business,  local  and  national  governments,  and  development  organizations  are 
turning  to  mobile  technologies  as  a  cost‐effective,  high‐impact  means  of  targeting  populations 
through mGovernance, mBanking and mCommerce. One‐way, outgoing text message programs are 
usually inexpensive and, in some cases, free. Mobile service providers have found one‐ and two‐way 
SMS  to  be  a  lucrative  business  and  non‐profits  and  governments  have  found  it  to  be  an  effective, 
cost‐effective method of outreach. The messaging service, even at small volumes, might dramatically 
reduce the costs and improve efficiencies of the health care provider who will no longer have to use 
manual labour to remind, educate or otherwise promote certain aspects of health care with patients. 
Many current mHealth programs build on the “cell phone” paradigm—services that can be delivered 
to and utilized by cell phone users. Early applications involve basic data access and exchange in the 
form  of  one‐way  or  basic  two‐way  services.  The  infrastructure  for  these  applications  is  already  in 
place through standard telecommunications network services. As a result, low‐cost applications exist, 
and  users  have  widely  embraced  the  functionality.  These  simple  applications  have  the  distinct 
advantage  of  lower  start‐up  and  operating  costs  as  well  as  broader  reach  and  an  easier  path  to  a 
financially sustainable model. (adapted from Richard Adler, 2007) 

Investment  in  mHealth  can  be  costly.    How  can  the  developing  world  afford  to  emulate  such  an 
approach?  It  cannot.  It  is  argued  that  the  developing  world  can  apply  the  lessons  learnt  in  the 
developed  world  to  their  own  setting,  thereby  circumventing  many  errors.  Yet  it  is  accepted  that 
developed‐world  solutions  are  not  necessarily  applicable  to  the  developing  world.  Furthermore, 
being a relatively new entity, mHealth remains highly dynamic with new technology options and new 
health applications arising rapidly. This adds to the cost, since a solution designed and implemented 
“today”  may become  obsolete  “tomorrow.”  Some  encourage  a  more  sensible  approach—using  the 
minimal amount of  technology to address the defined health need, i.e. technologically appropriate 
and culturally sensitive mHealth solutions. The long‐term impact of mHealth solutions is anticipated 
to  be  great,  but  in  the  immediate  future,  investment  in  mHealth  solutions  will  represent  a  cost  to 
health care systems, and will vie for funding with traditional health care approaches. (adapted from 
Peter Wells & al., 2006) 

53 
 
When evaluating and  comparing various methods of data collection in low‐resource settings, there 
are both quantifiable measures (the costs of acquiring equipment, the training of staff, or the hourly 
costs of personnel) and intangible factors (the inconvenience of carrying large amounts of paper, the 
problem  of  long‐term  storage  of  data,  or  the  caution  required  to  protect  a  PDA  from  damage  or 
theft) to weigh. A return on investment (ROI) analysis which does not account for these “soft” costs 
and benefits will not provide a true measure of the payback from deploying technology in resource‐
poor  settings.  Instead,  one  should  consider  an  analysis  framework  that  allocates  the  cost  of  the 
wireless  infrastructure  across  all  the  major  initiatives  it  enables.  In  analysing  the  costs  of  the 
application  of  handheld  computer  technology  to  data  collection  and  surveys,  one  must  recognize 
that the costs of the hardware, software, and training associated with PDAs will be amortized over 
many projects, while paper, printing, storage, and data entry costs are incurred with each and every 
project. Additional savings can be achieved when electronic transmission of data eliminates the time 
and the cost of sending staff to the field to collect completed forms or bringing surveyors to a central 
site  to  deliver  them.  Similarly,  much  time  is  likely  to  be  saved  when  data  from  the  handheld  is 
conveyed electronically directly to a database on a central computer. This last step alone could save 
days or even weeks, depending on the number of forms (records) to be entered into the database. By 
eliminating  delays  created  by  data  entry  personnel  keying  each  field  from  the  accumulated  forms, 
significant cost savings can be realized. The exchange of information, knowledge and techniques is a 
potential driver to cut the time and costs associated with the launch of a new healthcare solution. 
(adapted from Sheila Kinkade for UN Foundation, 2008) 

At  the  same  time,  there  are  many  beneficial  mHealth  projects  that  can  be  undertaken  with  lower 
bandwidth  technologies  such  as  mobile  communications:  that  is  why  mHealth  could  be  the 
opportunity  to  foster  dramatic  changes  in  developing  countries  healthcare:  planning  for  re‐use  of 
mHealth  components  as  the  basis  for  a  national  eHealth  infrastructure  may  provide  a  good  way 
forward. Today, mHealth – understood to mean the use of mobile communication technologies at a 
distance  –  presents  a  unique  opportunity  for  the  development  of  public  health.  The  availability  of 
ultra‐low‐cost mobile telephones and broad coverage of basic GSM networks in developing countries 
is  a  tremendous  opportunity  to  deliver  services  that  would  help  generating  development  and 
improving citizens’ everyday lives. Using handheld computers to provide access to health information 
for  health  workers  in  developing  countries  could  result  in  more  rapid,  accurate  and  cost‐effective 
data collection and reporting. A wireless internet mHealth infrastructure could address the challenge 
for  health  workers  to  access  knowledge  at  work  and  where  they  live.  Access‐on‐demand  to  critical 
health information need not be – indeed should not be – the prerogative of the well‐to‐do, especially 
when  cost‐effective  solutions  exist  to  expand  that  access  to  those  in  greatest  need.  The  use  of 

54 
 
mHealth  is  becoming  an  efficient  method  of  identifying  and  monitoring  health‐related  issues. 
Programs  using  mHealth  technology  or  based  on  mHealth  technology  in  order  to  support  the 
professional  development  of  people  in  the  field  of  healthcare  are  becoming  more  and  more 
available. (adapted from mHealth for Development, UN Foundation, 2008) 

The costs incurred to develop and deploy mobile technologies are often high for organizations: this 
partly explains why the projects are of relatively small scale. Many projects are based on technology 
or  transmissions  strongly  subsidized  or  even  on  direct  donations  by  private  telecommunication 
companies. Even though some players are been willing to give their services for smaller projects, one 
might wonder whether bigger scaled initiatives would receive the same level of the support as cost 
savings have to be significant enough to turn a pilot project into a genuine project venture. The initial 
setup  costs  are  also  a  prominent  factor.  For  example,  whereas  the  necessary  hardware  to  gather 
data is easily available, the software required is often too complex and expensive for common and 
repeated use in developing countries. This is why developing countries may have to rely mainly on 
free  open  source  softwares  such  as  EpiHandy.  Plus,  costs  should  be  maintained  relatively  low  by 
employing data acquisition software that works even on cheap, basic mobile telephones. 

   

55 
 
Chapter 4: Case Study 
 

1. Scenario Presentation 
 
This  scenario,  originally  developed  by  Amir  Talaei‐Khoei  and  Philipp  Zuehlke,  demonstrates  an 
example  application  of  mobile  health  in  the  daily  work  of  an  Occupational  Therapist  (i.e.  "a 
profession concerned with promoting health and well being through occupation, whose primary goal 
of occupational therapy is to enable people to participate in the activities of everyday life” according 
to the World Federation of Occupational Therapists). More precisely, the scenario picks out the main 
part  of  the  work  of  an  Occupational  Therapist:  the  assessment  of  patients.  Important  steps  of  the 
Occupational Therapy process are initial and repeated assessments. These assessments include the 
use of standardized procedures, interviews and observations in a variety of settings. 

Many  of  the  problems  and  risks  that  show  up  during  the  analysis  of  the  occupational  therapist 
assessment  process  (e.g.  illegible  handwriting,  own  abbreviations,  waste  of  time,  difficult 
collaborative  work  due  to  paperwork,  security  and  privacy)  could  be  addressed  by  integrating  a 
mobile health enabled device into the assessment and communication process. The health record of 
the patient would be stored electronically in an EHR system in the hospital. The EHR system would be 
extended by a special data set to capture the information needed for an occupational therapy case 
report. The EHR would be accessible via a mobile EHR device and require some changes within the 
steps of the process even though the flow of the process remains unchanged: 

1. Review of the patient’s health record 
2. Creation of a case report 
3. Interview of the patient according to the case report card 
4. Assessment of the patient 

Now let’s try to find a way to compare, step by step, the direct costs of the actual paper‐based model 
(using case report cards, prints out, live interviews with doctors, etc.) and the prospective mHealth 
model (using mobile EHR devices), by evaluating respectively the recurrent and potential risk‐related 
and waste‐of‐time‐related costs (since time is money and any risk ends up being a potential cost) of 
the current process and the likely and potential costs of the mHealth‐based process. 

56 
 
2. Direct costs model 

a. Reminder 
 

Variable costs are expenses that change in proportion to the activity of a business. In other words, 
variable  cost  is  the  sum  of  marginal  costs.  Along  with  fixed  costs,  variable  costs  make  up  the  two 
components of total cost. Direct Costs, however, are costs that can be associated with a  particular 
cost object. Not all variable costs are direct costs: for example, overhead costs are variable costs that 
are  not  a  direct  costs,  but  indirect  costs.  The  direct  costing  or  Marginal  is  a  costing  model  that 
includes only the variable costs (direct materials, direct labour, etc.). Here we focus on direct costs 
only. 

b. Actual OT paper­based assessment process 
 

1. The OT reviews the health record of the patient.  
i. The  OT  at  first  has  to  find  the  patient’s  health  record.  The 
correct health record is identified via the patient’s name and 
the  OT  retrieves  the  record  from  the  record  storage.  If  the 
patient is a new patient a new paper health record is set up. 
ii. The  OT  might  not  find  the  patient’s  health  record  in  the 
record storage, if it has not been stored properly. This results 
in  a  loss  of  time  and  productivity.  In  the  worst  case,  a  new 
health  record  might  have  to  be  created  from  scratch,  with 
the risk of incomplete information and/or a redundancy with 
the  original  health  record,  creating  the  risk  of  additional 
confusion. 
2. A case report card is filled with information from the health record 
i. The OT prints out or fetches a case report card, which is used 
for  assessing  the  patient’s  condition  by  an  OT.  The  OT  fills 
out  the  patient  details  section  of  the  form  by  transferring 
them from the health record. 
ii. The  completion  of  the  case  report  card  takes  time. 
Particularly  at  the  beginning,  information  is  duplicated 

57 
 
 unnecessarily  from  the  medical  record  to  the  case  report 
card. This results in a loss of time and productivity. 
3. Interview of the patient according to the case report card 
i. Based on the case report card, the OT interviews the patient 
for  later  assessment  and  fills  missing  sections  of  the  report 
card. 
ii. The OT might forget to fill out some parts of the form, lose 
the  form  or/and  have  an  illegible  handwriting  (especially 
when taking notes), which makes the use of case report card 
extremely  hard  afterwards.  Plus,  OTs  might  use  their  own 
terminology  and  abbreviations  when  filling  out  the  case 
report card. For non‐OTs or care givers of other divisions, it 
can  lead  to  misunderstandings  or  arouse  the  need  of  a 
further  inquiry,  therefore  increasing  the  cost  of  travel  and 
staff per assessed patient. 
4. Feedback and assessment of the patient: 
a. The OT assesses the patient and requests a consultation by a doctor. 
i. After having collected all the required information, the OT is 
supposedly  able  to  make  an  assessment.  However,  the 
eventual  assessment  and  subsequent  decision  are  done  in 
consultation with a doctor. For that, the OT needs to find the 
doctor to consult him a person.  
ii. The doctor might not be available and the OT needs to stand 
by.  If  no  doctor  is  available  at  the  moment,  the  OT  has  to 
wait  before  making  any  decision  until  a  doctor  is  available 
for consultation. This time is purely wasted. And what if the 
OT deals with patients coming from a remote village or rural 
area? Transportation costs would be likely to soar. 
b. Eventually  the  doctor  gives  some  advice  to  complete  the 
assessment. 
i. The patient is either discharged or stays in hospital. In case 
he has to stay in hospital, the OT and a doctor are checking 
regularly the patient for any improvements. They deliberate 
about current issues and necessary actions.  

58 
 
 ii. The  collaborative  work  is  complicated  by  the  fact  that  all 
information  and  results  are  stored  on  paper.  This  makes 
sharing of records difficult. Asking other OTs or specialists for 
consultation  by  sending  them  the  case  report  card  requires 
additional  time  and  a  preceding  duplication.  Working  on  a 
case report card at the same time by  different OTs needs a 
preceding  duplication  but  also  an  additional  joining.  This 
impedes  collaborative  work  and  lead  to  problems 
particularly in remote areas that are characterized by a lack 
of  care  givers  and  remote  consultation  is  a  necessity.  The 
cost  of  physical  storage  is  added  to  the  opportunity  cost  of 
medical  staff  treating  other  patients  rather  than  wasting 
time looking for paper records. 

c. Proposed mHealth­based OT assessment process 
 

The new process operates according to the following workflow: 

1. The OT reviews the health record of the patient.  
i. The OT accesses the EHR‐System via the mobile EHR device 
and looks up the health record via the patient’s name. If the 
patient can’t be found in the system, the mobile EHR device 
supports  the  OT  in  creating  a  new  health  record  for  this 
patient.  Eventually,  the  mobile  EHR  device  presents  a 
summary of patient’s health record. 
ii. The  OT  is  sure  to  find  the  electronic  health  record  at  once 
and doesn’t have to crawl in the paperwork to obtain it. The 
EHR  system  also  eliminates  any  risk  of  unnecessary  health 
record  duplication  and  accelerates  the  creation  of  a  new 
health record if needed. 
2. Creation of a case report 
i. To create a new case report to assess his/her patient, the OT 
selects  the  corresponding  menu  button.  A  new  form  with 
pre‐filled data pops up. All data fields are automatically filled 
with information out of the patient’s health record. The  OT 

59 
 
 checks  all  data  fields  and  can  correct  them  if  required.  The 
patient details (age, sex, contact person, telephone, etc.) can 
be  accessed  via  a  link  directly  in  the  case  report  form. 
Furthermore,  the  past  medical  history  including  the  past 
medications, the history of presenting illness of the patient is 
shown to the OT.  
ii. With the new mobile EHR‐System, the OT can be encouraged 
not  to  use  his/her  own  personal  terminology,  when  a 
standard  terminology  is  supported  by  the  mobile  EHR‐
System. The time for the initial completion of the case report 
header and personal details section is greatly reduced. 
3. Interview of the patient according to the case report card 
i. Based  on  the  case  report  card  accessible  via  the  mobile 
device,  the  OT  interviews  the  patient  for  later  assessment 
and fills missing sections directly on his/her handheld. 
ii. The  OT  does  not  waste  any  time  anymore  for  copying 
information  from  the  health  record  into  the  case  report. 
Using  the  mobile  EHR‐System,  the  OT  does  not  use  his/her 
handwriting  anymore.  Therefore  the  handwriting  illegibility 
issue  has  been  solved  and  the  interview  can  be  run  faster 
and more smoothly. 
4. Feedback and assessment of the patient: 
a. The OT assesses the patient and requests a consultation by a doctor. 
i. After having collected all the required information, the OT is 
supposedly  able  to  make  an  assessment.  However,  the 
eventual assessment and subsequent decision are still done 
in  consultation  with  a  doctor.  To  do  so,  the  OT  selects  the 
created  case  report  and  chooses  the  option  “Consultation”. 
In a next step he chooses the relevant doctor and the mobile 
EHR system transfers the case report to the doctor’s mobile 
EHR  device.  The  doctor  gets  notified  and  can  have  look  on 
the  collected  data  in  the  case  report.  Finally  he  answers  to 
the OT directly via the mobile device. 
ii. This even works, when the OT works in a rural hospital and 
needs  consultation  of  a  specialist  who  is  located  several 

60 
 
 hundred kilometres away in a big city. The mHealth solution 
virtually eliminates every transportation need and speeds up 
the whole consultation process, generating time savings and 
decreasing transportation costs. 
b. Eventually  the  doctor  gives  some  advice  to  complete  the 
assessment. 
i. The patient is either discharged or stays in hospital. In case 
he has to stay in hospital, the OT and a doctor are checking 
regularly the patient for any improvements. They deliberate 
about current issues and necessary actions.  
ii. The case report is now stored in a central server and can be 
accessed and shared by several people at the same time. The 
OT can easily consult with other OTs or doctors to get their 
opinion  by  sending  them  the  case  report.  Especially  in 
remote areas this has a huge advantage. The doctor does not 
need  to  be  at  the  same  place  as  the  OT  to  make  a 
consultation.  This  even  enables  the  consultation  with 
specialists that do live in urban areas and consequently raise 
the  quality  of  health  care.  Interconnecting  all  OTs  and 
doctors  into  a  ubiquitous  wireless  hub  creates  a  network 
effect  that  cuts  costs  due  to  latency  and  geographical 
remoteness. Besides, thanks to the use of electronic backup 
tools,  the  loss  of  data  becomes  less  likely,  which  eliminates 
the  potential  cost  associated  with  paper  storage 
deterioration.  

d. Tentative direct cost analysis model 
 
Here  we  will  try  to  conceptualize  (simulate  with  a  mathematical  model)  the  global  sum  of  all  the 
direct  costs  related  to  the  paper‐based  OT  assessment  workflow  on  the  one  hand  and  the  direct 
costs  related  to  the  mHealth  OT  assessment  workflow  on  the  other  hand,  so  as  to  establish  a 
comparison between these two. The difference between direct costs and indirect costs is direct costs 
are traced to the cost object whereas indirect costs are only allocated (by a managerial decision) to 
the cost object. 

61 
 
We  chose  to  focus  on  direct  costs  only  in  order  to  eliminate  the  influence  of  indirect  allocated 
expenses  and  focus  on  the  two  main  direct  cost  components:    direct  labour  and  direct  supplies 
(subdivided into direct fixed supplies, direct fixed labour, direct variable supplies, and direct variable 
labour).  The  following  analysis  will  be  carried  on  the  basis  of  profitability.  This  is  where  cost 
accounting  comes  in  handy.  Since  we  deal  only  with  direct  costs  and  not  overhead  costs,  activity‐
based costing and RVU (Relative Value Units) costing are out of question: our approach tends more 
to be process costing, which accumulates costs by a process for a given period. 

Let Fp  be the function representing the global sum of all the direct costs related to the paper‐based 
OT assessment workflow and Fm  be the function representing the global sum of all the direct costs 
related  to  the  mHealth  OT  assessment  workflow  (for  a  decomposition  of  costs  according  to  the 
category  of  stakeholder,  please  refer  to  the  chapter  “Typology  of  Healthcare  stakeholders,  their 
place in the mHealth value chain and the cost/benefit effects of mHealth on them”). Each of these 
functions includes variables (inputs) and parameters (i.e., coefficients, auxiliary measures that define 
certain  characteristics  of  systems  or  functions,  which  can  be  modified  in  a  sensitivity  analysis  for 
instance). In order to make the comparison, 2 groups should be constituted: the control/usual care 
group  (whose  total  cost  of  care  is  represented  by  the  output  of  the  function  Fp)  and  the 
intervention/treatment group (whose total cost of care is represented by the output of the function 
Fm).  In  our  case,  the  main  variable  is  the  number  of  OT  consultations  (i.e.  OT  cases  treated)  done 
with/without  the  support  of  mHealth  technologies.  We  could  call  it  “t”  since  it  is  somehow  time‐
related (as time goes on, more and more OT consultations have been made). 

The cost function is a function whose parameters are the given output level (in our case health) and 
the  given  factor  prices  (listed  below).  The  purpose  of  microeconomic  analysis  is  to  determine  the 
combination  of  factor  prices  (for  instance,  the  process/technological  model)  that  minimizes 
healthcare cost while maintaining the same level of output. Here our approach is slightly different: 
we try to assess which combination of factor prices (i.e. which OT process) is the least costly while 
assuming  the  mHealth  “combination”  is  as  least  as  effective  as  the  paper‐based  one.  This 
combination of price factors can be described as a vector of factor prices (or price parameters).  

Basically, any OT healthcare cost function should include the following parameters (the current list is 
not  comprehensive  but  aims  at  providing  the  main  parameters  influencing  OT‐related  costs),  using 
various techniques such as the travel cost method (here, TBD stands for “To Be Determined”): 

• Travelling costs for OT (time and distance related) per consultation Î TBD (a) 
• The  fixed  capital  start‐up  costs  (nil  in  the  case  no  mHealth  technology  is  implemented)  Π
TBD (bm) 

62 
 
 • Staff/Labour costs:  
o The associated workload for OT and doctors in FTE (the workload associated with the 
recurrent  losses  of  time  with  the  old  paper  system,  but  also  the  initial  workload 
associated with the mHealth training) per consultation. The number of hours worked 
is used as a quantity index for labour. Î TBD (cp or cm) 
o The wage costs of both OT and doctors per FTE Î TBD (d) 
• Costs of communication per consultation, should it be electronic or through paper and face‐
to‐face interview, both between the OT and the patient and then the OT and the doctor Î 
TBD (em or ep) 
• Costs of data storage per consultation, should it be on hard copy or digital Î TBD (fp or fm) 
• Hospital stays cost: 
o Average  number  of  days  a  consulted  patient  stays  in  the  hospital,  depending  on 
which solution is used (mHealth solution or paper‐based solution) Î TBD (gp or gm) 
o Costs  of  admission/staying  of  a  consulted  patient  into  the  hospital  (per  day) 
(including medicine, food, medical supplies, administrative costs, energy)ΠTBD (h) 
• Decrease  in  medical  expenses  for  patients  (per  consultation)  due  to  increased  efficiency  of 
healthcare  Î TBD (im) 
• ... 
• And so on (basically an aggregation of all remaining cost categories) Î TBD (?) 

Additional cost information can be found in the chapter "Main variables and parameters of costs". 

So  as  to  as  to  keep  the  difference  in  costs  statistically  significant,  the  equal  overhead  costs  are 
similarly  eliminated  on  both  sides  of  the  analysis  (paper‐based  control  group  and  mHealth 
intervention  group).  Through  the  use  of  several  given  sets  of  variables  and  coefficients  in  both 
groups,  subtracting  Fm  from  Fp  will  enable  us  to  calculate  the  exact  (if  any)  monetary  medical 
expenditure reduced by mHealth given a certain volume of use (in terms of number of consultations), 
or  to  determine  the  volume  of  use  needed  to  reach  the  breakeven  point  (i.e.  the  number  of 
consultations  from  where  Fm  <=  Fp).  Performing  this  kind  of  payback  analysis‐like  will  help  us  to 
determine  the  amount  of  demand  needed  to  make  the  mHealth  solution  less  expensive  than  the 
actual paper‐based solution (using the number of consultations as a proxy for the demand variable). 

Since we focus on direct costs here, using the ICER (Incremental Cost Effectiveness Ratio) would be 
sort of restrictive since the ICER also accounts for benefits achieved thanks to a new health solution, 
not  only  for  the  cost  savings.  Basically,  using  the  ICER  in  our  direct  cost‐focused  case  study  would 

63 
 
amount to consider the effect of the control group as nil (since nothing is done, there is no effect, no 
cost effect either), and to consider the effect of the intervention group as the cost savings only.  

For simplicity reasons, we will assume our direct cost function is linear, i.e. a first‐degree polynomial 
function  of  one  variable,  in  our  case,  the  number  of  uses:  since  the  number  of  uses  is  necessarily 
discrete, the cost function could have been a progression or a sequence, however we chose to stick 
to the function model in order to allow our main variable to be replaced by any continuum, such as 
time  (relying  on  the  trivial  assumption  that  the  number  of  consultations  done  grows  as  time  goes 
on).  Therefore,  let’s  assume  that  t  belongs  to  +.  Assuming  our  direct  cost  function  is  linear  will 
make the job easier (basically saying that “Total Cost = Fixed Costs + Variable  Costs * The Variable 
Itself), but will not reflect faithfully benefits such as experience gains and productivity improvements 
along the studied time period (this is why we dwell on another potential method later on). For any t 
in +, assuming the cost function is linear, we shall define Fm (t) and Fp(t) as the following: 

Fm (t) = bm + a * t + cm * d * t + em* t + fm* t + em* t + gm* h * t ‐ im * t 

Fm (t) = bm + t * (a + cm * d + em + fm + gm *h ‐ im) 

and 

Fp(t) = a* t + cp * d * t + ep* t + fp* t + ep* t + gp* h * t 

Fp(t) = t * (a + cp * d + ep + fp + gp *h) 

Thus 

Fm (t) ‐ Fp(t) = bm + t * (a + cm * d + em + fm + gm *h ‐ im) ‐ t * (a + cp * d + ep + fp + gp *h) 

Fm (t) ‐ Fp(t) = bm + t *(d *[cm ‐ cp] +[em ‐ ep] + [fm ‐ fp] + h *( [gm ‐ gp] ‐ im) 

As a consequence, 

Fm (t) ‐ Fp(t) >= 0 Ù bm + t *(d *[cm ‐ cp] +[em ‐ ep] + [fm ‐ fp] + h *( [gm ‐ gp] ‐ im) >= 0 

Fm (t) ‐ Fp(t) >= 0 Ù t >= ‐ bm / (d *[cm ‐ cp] +[em ‐ ep] + [fm ‐ fp] + h *( [gm ‐ gp] ‐ im)  

(assuming the expression between brackets is positive so as to keep the same inequality) 

We infer from the equation above that our analysis will have to focus on the fixed start up costs for 
the  mHealth  solution  and  the  difference  in  communication  costs,  workload,  data  storage  costs, 
number  of  days  a  consulted  patient  stays  in  hospital,  let  alone  the  hypothetic  decrease  in  medical 
expenses for patients (per consultation) due to increased efficiency of healthcare (im). 

64 
 
Once these formulas have been used, we could also use a linear regression technique to assess the 
correlation between the use of mHealth and the cost of OT interventions on a given period of time.  

From  the  tradition  of  using  cost  functions  to  explain  observed  variations  in  unit  costs,  we  could 
estimate  a  long‐run  cost‐function  using  an  OLS  (ordinary  Least  Squares  regression  analysis).  The 
regression equation deals with the following variables: the unknown parameters denoted as β (some 
of the costs listed above, for instance; this set of unknown parameters may be a scalar or a vector), 
the independent variable,  t, and  the  dependent variable, C (the  unit  cost for  OT intervention).  The 
model for estimation (one‐way fixed effect model) would look like this (respectively without and with 
mHealth): 

 C = Fm(t,β)/t   and   C = Fp(t,β)/t 

The regression analysis provides the tools for finding a solution for unknown parameters β that will, 
for  instance,  minimize  the  distance  between  the  questionnaire‐measured  and  formula‐predicted 
values of the dependent variable C (this method is also known as the method of least squares) and 
providing  statistical  information  about  the  unknown  parameters  β  and  predicted  values  of  the 
dependent variable C. We note that β contains several dummy variables (such as sex, age, education, 
working, family situation, income, type of disease, etc.) that act as “switches”, that is to say that take 
the  values  0  or  1  to  indicate  the  absence  or  presence  of  some  categorical  effect  that  may  be 
expected to shift the cost outcome.  We would be likely to use “unit cost” (cost per OT consultation) 
as the dependent variable for an ordinary least squares regression analysis rather than the total cost 
so as to avoid the greater error terms caused by non‐uniform variance in the computed regression, 
since the error term could be correlated with the size of the healthcare service. 

The  problem  with  the  first  model  proposed  above  is  that  the  relationship  between  costs  per  OT 
consultation  (the  dependent  variable)  and  all  the  other  variables  (the  explanatory  variables)  are 
expected to be non‐linear, so in the end we are likely to have to approximate the normal distribution 
of the model variables by employing some kind of transformation (such as the logarithmic functional 
form) throughout the use of a linear regression. For instance, since we do not know yet the elasticity 
of  the  unit  cost  of  an  OT  patient,  we  could  use  the  translog  function  (i.e.  the  transcendental 
logarithmic function, basically a generalization of the Cobb‐Douglas production function) as a second‐
order  approximation  to  the  previous  functional  form  without  any  prior  restriction  on  estimated 
elasticity. If C is the optimized cost, the translog cost function could be expressed  as: 

ln C = ln b0 + ∑ (i=1 to n) bi ln (wi) + ½ ∑i ∑j gi,j ln (wi) ln (wj) + by ln (y) + ½ gy,y (ln y)² + ∑i gi,y ln (wi y) + ½ gt,tt² 
+ ∑i gi,t ln (wi t) where y is the output, t the time variable, g & w input prices. 

65 
 
 

Furthermore,  since  this  analysis  is  oriented  straight‐forward  to  direct  cost  assessment,  it  doesn’t 
account  for  non‐monetary  benefits  achieved  throughout  the  implementation  of  mHealth  in  the 
occupational  therapy  workflow,  such  as  less  anxiety  in  day‐to‐day  life,  enhanced  consciousness 
towards  health...  Thus  ignoring  some  of  the  multidimensional  aspects  of  the  output  provided  by 
hospitals. 

3. Questionnaire 
 

Based  on  the  cost  model  presented  earlier,  here  are  some  evaluation  questions  for  comparing 
mobile health to alternative health services: 

• How  much  time  do  OT  spend  travelling  to  the  hospital  respectively  with  and  without  the 
mHealth solution? 
• What are the fixed capital start‐up costs for the mHealth solution? 
• Staff costs:  
o What are the associated workload for OT and doctors in FTE  per consultation of the 
mHealth  solution  compared  to  the  paper‐based  alternative  (in  terms  of  initial 
training time opposed to recurrent losses of time)? 
o What are the wage costs of both OT and doctors (per FTE)? 
• What are the costs of communication both between the OT and the patient and then the OT 
and the doctor (with both methods: using the mHealth solution or relying on paper and face‐
to‐face interviews)? 
• What  are  the  costs  of  data  storage  of  the  mHealth  solution  compared  to  the  paper‐based 
alternative? 
• What are the costs of admission of a patient into the hospital (per day) (including medicine, 
food, medical supplies, administrative costs, energy)? 
• In average, how many days a OT‐consulted patient stays in the hospital (in both cases: using 
the mHealth solution or sticking to the paper‐based actual one)? 
• What  is  the  decrease  in  medical  expenses  for  patients  due  to  the  (supposed)  increased 
efficiency of healthcare achieved throughout the implementation of mHealth? 
• What are the costs of the mHealth solution for participating health care providers or health 
plans compared to the paper‐based alternative?  

66 
 
 • Is  the  mHealth  solution  implementation  associated  with  differences  in  attending  clinicians' 
costs  for  personnel,  equipment,  supplies,  administrative  services,  travel,  or  other  items?  Is 
the  mHealth  solution  implementation  associated  with  differences  in  revenues  or 
productivity? What is the net effect? 
• Is  the  mHealth  solution  associated  with  differences  in  consulting  clinicians'  or  consulting 
organizations'  costs  for  personnel,  equipment,  supplies,  space,  administrative  services, 
travel,  or  other  items?  Is  the  mHealth  solution  associated  with  differences  in  revenues  or 
productivity? What is the net effect? 
• Is  the  mHealth  solution  associated  with  differences  in  the  cost  per  service,  per  episode  of 
illness, or per member per month? 
• What are the costs of the mHealth solution for patients and families compared to the paper‐
based alternative? 
• Is  the  mHealth  solution  associated  with  differences  in  direct  medical  costs  for  patients  or 
families? 
• Is  the  mHealth  solution  associated  with  differences  for  patients  or  families  in  other  direct 
costs (e.g., travel, child care) or indirect costs (e.g., lost work days)? 
• What are the costs of the mHealth solution for society overall compared to the paper‐based 
alternative? 
• Is  the  mHealth  solution  associated  with  differences  in  total  health  care  costs,  the  cost  per 
service, per episode of illness, or per capita? 
• How  do  the  costs  of  the  mHealth  solution  relate  to  the  benefits  of  the  mHealth  solution 
compared to the paper‐based alternative? 

NOTE: Each question assumes that an analysis of results will control for or take into account severity 
of illness, co‐morbidities, demographic characteristics, and other relevant factors. The reader should 
note  a  significant  sample  size  is  needed  in  order  to  put  the  model’s  realism  to  the  test  and  the 
assessment should be led on a significant period of time (at least one year) in order to provide a firm 
and reliable analysis. 

This type of questionnaire should be sent primarily to occupational therapists, but also to the doctors 
who often work with occupational therapists. 

67 
 
The following table could also be used to collect results on cost‐effectiveness indicators: 

TOTAL 
EXPECTED IMPACT IMPACT IN THE EXPECTED DIRECTION
EFFECTIVENESS INDICATORS NUMBER OF
WITH THIS PROJECT
CASES STUDIED
YES NO Not specified

DIRECT COSTS
Remuneration of professionals: visit time Reduction
Remuneration of professionals: travel/driving time Reduction
Remuneration of professionals: telephone intervention Increase
Remuneration and cost of technical support Increase
Traveling expenses for the professionals Reduction
ER cost Reduction
Hospitalization costs Reduction
Readmission costs Reduction Reduction
Software licenses Increase
Purchase of equipment Increase
Installation, support and maintenance of equipment Increase

INDIRECT COSTS
Lost productivity for patient and relatives Reduction
Traveling expenses for the patient Reduction
Insurance, supplies, administrative costs Reduction
Miscellaneous costs No impact expected

TOTAL COSTS Reduction

COST PER PATIENT Reduction

COST PER VISIT Reduction
 

(Adapted from “A Systematic Review of the Key Indicators for Assessing Telehomecare Cost‐Effectiveness”, Stephanie 
Vergara Rojas, 2008) 

Another potential approach would be to build an interactive financial spreadsheet that would allow a 
hospital  financial  analyst  to  model  different  scenarios,  with  a  workbook  including  to  input  direct 
projected revenue, indirect revenue, expenses (telecommunication, medical and capital outlay) and 
get  financial  data  such  as the  internal  rate  of  return,  the  payback  period  and  the  breakeven  point. 
(adapted from Michael J. McCue, 2006)   

68 
 
Chapter 5: Conclusions 
 

1. Summary 
 

The main challenge of economic evaluation of mHealth is that it is not an exact science. As far as the 
comparability  and  representativeness  of  results  analysed  in  the  studies  found  are  concerned,  it  is 
hard to establish a global “average performing” indicator. Based on our methodology review, we’ve 
seen the development of new ICT economic assessment methodologies for healthcare is required, as 
current  methods  cannot  precisely  estimate  the  economic  and  social  costs  induced  by  the 
implementation of ICTS in a healthcare environment. We need new methods to address the barriers 
to ICT implementation and toolkits to promote their use in healthcare delivery environments.  

The point is not to argue whether mHealth in itself is a worthwhile investment, because its value is 
linked to the way, place and time the technology itself is used. The real question to ask is: is mHealth 
the right investment in a precise context, in comparison with one or more alternative(s). Ideally, an 
evaluation should specify the full range of actual alternatives, so that the results are relevant to the 
decisions  that  people  face.  It  makes  little  sense  to  talk  about  cost  effectiveness  of  mHealth  in 
general.  One  must  be  more  specific  about  which  use  and  in  which  setting.  The  impact  of  any  new 
technology on healthcare cost will depend on who is using it, how skilfully they are using it and what 
they wish to accomplish with it. The technology itself, no matter how promising, will not secure any 
of  these  benefits.  If  this  technology  is  imposed  on  physicians  and  patients  by  facility  or  plan 
managers to increase market share or control costs, it will be neither enthusiastically accepted nor 
effectively used. The costs and benefits will depend upon who is using the system, and the purpose 
for which it is being used, not the technology itself. 

What  can  be  foreseen  already  is  the  development  towards  an  investment  analysis  method  for 
realistically  assessing  the  business  perspective  of  investments  in  tomorrow’s  mHealth  services.  For 
sure, successful mHealth implementation needs sustained investments and also sustained financing, 
whereas  most  of  its  results  will  not  be  purely  financial  (quality,  risk  reduction,  and  efficiency):  if 
mHealth is likely to enable improved cost efficiency, it generates little extra cash.  Benefits are far too 
often associated with cash, not cost savings. 

The challenge is to ensure that the total investment matches an appropriate total economic benefit. 
In  this  respect,  it  is  important  to  treat  mHealth  investment  in  the  same  way  as  other  new 

69 
 
investments in healthcare, such as new drugs and surgical techniques. It should not be a means of 
saving money and improving overall cash flow, but an investment in better healthcare.  Sustainable 
mHealth investment requires that all decision takers and financial stakeholders are clear about the 
distinction  between  economic  benefits  and  financial  savings,  and  the  impact  of  each  mHealth 
investment on future cash flows when decisions are taken. 

This report takes place in the first phase of the global longitudinal study on the assessment of mobile 
health, that is to say the qualitative and quantitative pre‐study before the use of mHealth. We should 
remember that time is needed for mHealth development; the temporal dimension of the study must 
not be ignored. Usually, new ICT are costlier in the first steps of implementation. The rate of use is a 
decisive  factor  in  the  cost  efficiency  of  mHealth  projects,  as  it  tends  to  be  low  in  the  deployment 
phase. Therefore, long term analyses have to be planned ahead of time to provide stakeholders with 
a  comprehensive  view  of  all  the  costs  (both  planned  and  unplanned)  and  benefits  of  different 
healthcare  ICTs.  There  are  three  main  time  periods,  development,  implementation  and  operation, 
which can overlap and need to be reflected in the evaluation. The appropriate timescales for analysis 
extend well beyond the business and financial planning of most national health agencies and HPOs 
and can present financing challenges for mHealth. The mHealth investment lifecycle should be set by 
the  time  needed  to  realise  the  required  net  benefit.  Longer‐term  economic  evaluation,  hardly 
considered  as  yet  for  mHealth,  would  provide  appraisal  of  health  outcomes  and  macro‐economic 
impact  on  services  throughout  the  health‐care  system.  Such  evaluation  would  take  account  of  the 
evolution of technology and health‐care systems, as both the effects of the mHealth application and 
the  policy  needs  change.  Data  requirements  and  logistics  for  such  longer‐term  economic  appraisal 
would  be  demanding.  We  can  guesstimate  costs  are  likely  to  surpass  benefits  at  the  beginning 
whereas  benefits  would  emerge  on  the  long  run.  On  a  larger  timescale,  reusability,  portability  and 
affordability  of  wireless  ICTS  for  preventive  care  and  patient  surveillance  and  are  likely  to  cut  the 
global expenditures in healthcare. 

   

70 
 
2. Limitations and future work 
 
Due to the lack of time (barely 6 weeks of study at my disposal) and means (no field study could be 
led  in  the  present  conditions,  within  this  time  frame),  I  had  no  choice  but  to  focus  on  qualitative 
analysis  based  on  secondary  data,  trying  to  provide  some  relevant  parameters  of  a  cost  model 
framework yet to be designed based on a quick review of the existing literature in health economics 
and a brief beginning of a case study. As a result, this paper is neither a complete precise case study 
nor  a  global  complete  thesis  but  should  be  considered  as  a  tentative  pre‐study  that  might  prove 
useful  for  information  systems  and  computer  science  specialists  without  economic  science 
background,  or  even  as  a  beacon  for  future  searchers  willing  to  cross  information  science  and 
economics science in one comprehensive and multi‐disciplinary approach to assess the global impact 
of  mHealth  in  all  its  dimensions.  Alongside  with  the  literature  review  and  explanation  of  the  main 
concepts  used  in  health  economics,  the  “mini‐case  study”  might  also  prove  useful  to  design  a 
questionnaire that would enable scholars to collect more data about mHealth cost impact. Though, 
further more scientific and well designed studies are still required. 

Researchers interested in the mHealth paradigm must now develop and apply quantitative methods 
and statistics to assess mobile wireless health care costs, combining econometrics with statistics to 
determine the financial link between mHealth implementation and cost reduction, keeping  in sight 
related technological and societal issues geographically relevant to the context of observation (e. g. 
level of development achieved). Besides, the very nature of econometrics and of the data available 
(rather observational than derived from controlled experiments) will have to been considered when 
crossing  the  cost  impact  study  results  with  other  findings,  notably  the  cum  hoc  ergo  propter  hoc 
quandary: future econometric studies will have to go beyond mere statistical correlation and assess 
the very causation, for instance by developing an economic simulation model based on the Markov 
chain  approach,  while  bearing  in  mind  that  cause  and  effect  cannot  be  always  directly  assigned  in 
mHealth applications, but have to rely on reasonable judgements. 

Health  economics  is  still  in  its  infancy,  and  must  be  allowed  sufficient  flexibility  to  develop  in  a 
number of directions. Besides, one should also keep in mind economic evaluation is a broad church 
and  that  even  in  a  context  of  ever‐rising  healthcare  costs,  clinical  effectiveness  and  quality  of  life 
prevail over any other consideration, including cost effectiveness. mHealth is far too important to be 
impeded by such prosaic arguments. 

71 
 
References 

• Richard Adler (2007), Health Care Unplugged The Evolving Role of Wireless Technology,
California Healthcare Foundation

• Margret Amatayakul (2007), Do you plan not to achieve your EHR ROI?, November
2007 healthcare financial management
 

• Rafael Anta (2008), Mobile Health The potential of mobile telephony to bring healthcare
to the majority, Inter-American Development Bank
 

• Arrow, K. (1963), Uncertainty and the welfare economics of medical care, American
Economic Review, 53:941-73
 

• Marion J. Ball & al. (2008), Electronic Health Records: a Global Perspective, Healthcare
Information and Management Systems Society (HIMSS).

• Stephen Birch (2003), Economics and the evaluation of health care programmes:
generalisability of methods and implications for generalisability of results, Health Policy
64 (2003) 207/219

• Susan Xu (2007), Advancing Return on Investment Analysis for Electronic Health Record
Investment, Journal of Healthcare Information Management (JHIM), Fall 2007 - Volume
21, Issue 4, p. 37

• BL Crowe (1998), Cost-effectiveness analysis of telemedicine, Journal of Telemedicine

and Telecare Volume 4 Supplement 1 1998
 

• Michael J. McCue and Susan E. Palsbo (2006), Making the Business Case for
Telemedicine: An Interactive Spreadsheet, Telemedicine and eHealth Volume 12, Number
2, 2006

72 
 
 • Bill McCulloch & al. (2006), The Role of Mobile Phones in Increasing Accessibility and
Efficiency in Healthcare, The Vodafone Policy Paper Series

• Joaquín Blaya & al. (2008), Evaluations of the Impact of eHealth Technologies in
Developing Countries: A Systematic Review, making the eHealth connection
 

• Ann B. Bynum & al. (2003), The Impact of Telemedicine on Patients’ Cost Savings,
Telemedicine Journal and eHealth Volume 9, Number 4, 2003
 

• Betty L. Charles (2000), Telemedicine can lower costs and improve access, Healthcare
Financial Management
 

• Gérard Comyn (2008), eHealth: From early promise to sustainability, DG Information

Society & Media European Commission

• Alexander Dobrev & al. (2008), Report on Methodology for evaluating the socioeconomic
impact of interoperable EHR and ePrescribing systems, European Commission, DG
INFSO & Media

• Alexander Dobrev & al. (2008), The conceptual framework of interoperable electronic
health record and ePrescribing systems, European Commission, DG INFSO & Media

• Alexander Dobrev & al (2008), Guide on effective and efficient management of eHealth
investments, Financing eHealth, European Commission, DG INFSO & Media

• Alexander Dobrev & al (2008), Effective and efficient healthcare management support for
eHealth investment (2008), Financing eHealth, European Commission, DG INFSO &
Media

• Ammenwerth et al. (2004), Visions and strategies to improve evaluation of health

information systems Reflections and lessons based on the HIS-EVAL workshop in
Innsbruck, International Journal of Medical Informatics 73, 479_491
 

73 
 
 • Bardram, Jakob E., Mihailidis Alex, Dadong Wan (2006), eds. Pervasive Computing in
Healthcare CRC: 2006
 

• Stephen Birch & al. (2002), Economics and the evaluation of health care programmes:
generalisability of methods and implications for generalisability of results, Health Policy
64 (2003) 207/219
 

• Melissa M. Brown & al. (2003), Health Care Economic Analyses and Value-Based
Medicine, Survey of Ophtalmology, Volume 48, Number 2, 2003
 

• Liam Caffery & al. (2008), An economic analysis of email-based telemedicine: A cost
minimization study of two service models, BMC Health Services Research 2008, 8:107

• Chaudhry, Basit/Wang, Jerome/Wu, Shinyi, et al. (2006), Systematic Review: Impact of

Health Information Technology on Quality, Efficiency, and Costs of Medical Care, Ann
Intern Med. 2006;144:E-12-E-22, p. 19
 

• Francis J. Cronin & al. (2001), Telecommunications and cost savings in health care
services, DRI/Mc Graw Hill
 

• A.J. Culyer (1989) "A Glossary of the more common terms encountered in health
economics" in MS Hersh-Cochran and KP Cochran (Eds.) Compendium of English
Language Course Syllabi and Textbooks in Health Economics, Copenhagen, WHO, 215-
234
 

• Susan J. Cunningham (2001), An Introduction to Economic Evaluation of Health Care,

Journal of Orthodontics, Vol. 28, No. 3, 246-250, September 2001
 

• eHealth Initiative (2008), eHealth Initiative Survey Links Health IT To Lower Costs And
Improved Outcomes
 

• Hamish Frasier & al (2008), e-Health Rwanda Case Study

74 
 
  

• Mark Greener (2006), The models used for health economic analysis, Hospital Pharmacist
Vol. 13

• David Hailey (2004), The Need for Economic Evaluation of Telemedicine to Evolve: The
Experience in Alberta, Canada, Telemedicine Journal and e-Health Volume 10, Number
1, 2004

• David Hailey (2005), The need for cost-effectiveness studies in telemedicine, Journal of
Telemedicine and Telecare 2005; 11: 379–383

• David Hailey (2004), Systematic review of evidence for the benefits of telemedicine,
Journal of Telemedicine and Telecare 2002; 8 (Suppl. 1): S1:1–7
 

• David Hailey (2001), Assessments of telemedicine applications - an update, Alberta

Heritage Foundation for Medical Research

• Stefan Håkansson (2000), What do we really know about the cost effectiveness of
telemedicine?, Swedish Institute for Health Services Development (Spri), Stockholm,
Sweden

• Marilyn Jane Field (1996), Telemedicine A Guide to Assessing Telecommunications for

Health Care, National Academy Press

• Robert S. H. Istepanian & al. (2004), Introduction to the special section on m-Health
Beyond seamless mobility and global wireless health-care connectivity, IEEE
Transactions on Information Technology in Biomedicine Vol. 8 No. 4 Dec. 2004

• Robert S. H. Istepanian & al. (2005), M-Health: emerging mobile health systems, Springer

• William Jack (2000), Principles of Health Economics for Developing Countries, The
World Bank

75 
 
 • K. Johnston (2004), The cost-effectiveness of technology transfer using telemedicine,
Health Economics Research Centre, University of Oxford, UK

• Warren A Kaplan (2006), Can the ubiquitous power of mobile phones be used to improve
health outcomes in developing countries?, Center for International Health and
Development, Boston University School of Public Health

• José C. Lacal (2004), Proposed Framework to Measure the ROI of Mobile Tele-Health
Solutions in the Management of Chronic Diseases, Mobile Tele-Health Motorola (USA)

• D. Lobley (1997), The economics of telemedicine, Segal QuinceWicksteed Ltd,

Cambridge, UK

• Drake DE (2003), Evaluating Telemedicine: A Literature Review, eHealth International,

http://www.ehealthinternational.net/pdf/Evaluating_Telemed.pdf
 

• Peter Drury (2006), eHealth in Developing Countries: a framework, University of

Plymouth

• empirica, TanJent (2006), Study on Economic Impact of eHealth: Developing an evidence-

based context-adaptive method of evaluation for eHealth Descriptive report on site study
results: MedicalORDER ®center Ahlen (MOC) and St. Franziskus Hospial Münster,
Germany – supply chain optimization, eHealth IMPACT Information Society & Media

• Encyclopedias such as Encyclopedia Online Britannica or Wikipedia: articles on Health

Economics, CMA, CUA, CBA, CEA, SROI, DCF, opportunity cost, sensitivity analysis,
etc.
 

• Germanakos P., Mourlas C., & Samaras G., A Mobile Agent Approach for Ubiquitous
and Personalized eHealth Information Systems, Proceedings of the Workshop on
'Personalization for e-Health' of the 10th International Conference on User Modeling
(UM'05). Edinburgh, July 29, 2005, pp. 67-70.

76 
 
 • Girosi, Federico/ Meili, Robin/Scoville, Richard (2005), Extrapolating Evidence of Health
Information Technology Savings and Costs, RAND Health
 

• Grossman, Michael. "On the Concept of Health Capital and the Demand for Health."
Journal of Political Economy. March-April/1972. 80(2): 223-55
 

• Guide to Cost-Benefit Analysis of Investment Projects. Evaluation Unit, DG Regional

Policy, European Commission, 2002

• Ville Harkke & al. (2002), Mobile E-health: The Challenge of Eight Obstacles, Institute
for Advanced Management Systems Research/Åbo Akademi University
Lemminkäinengatan 14 B, FIN-20520 Åbo

• Raymond Hutubessy & al. (2003), Generalized cost-effectiveness analysis for national-
level priority-setting in the health sector, WHO
 

• ITU (2003). Mobile overtakes fixed: Implications for policy and regulation. Geneva:
International Telecommunications Union.
 

• James G. Kahn (2008), The Relationship among Economic Development, Health, and the
Potential Roles of mHealth, Making the eHealth connection
 

• Kennedy, P. (2007). A guide to econometrics, Fifth edition. Blackwell Publishing.

• Sheila Kinkade & Katrin Verclas (2008), Wireless Technology for Social Change: Trends
in Mobile Use by NGOs, United Nations Foundation

• Ramesh S. Krishnamurthy & al. (2008), eHealth in the Global South, Making the eHealth
connection
 

• Klaus A. Kuhn, James R. Warren, Tze-Yun Leong (2007), MEDINFO 2007: Proceedings
of the 12th World Congress on Health (Medical) Informatics, IOS Press

77 
 
 • H.Ladd (2005), Handhelds for Health, SATELLIFE www.healthnet.org
 

• Junhua Li (2008), eHealth Readiness Assessment from EHR perspective, UNSW School
of Information Systems, Technology and Management
 

• F S Mair & al. (2000), A review of telemedicine cost-effectiveness studies, Journal of

Telemedicine and Telecare Volume 6 Supplement 1 2000

• Cristina Masella & Paolo Zanaboni (2008), Assessment models for telemedicine services
in national health systems. Int. J. Healthcare Technology Management, Vol. 9, Nos. 5/6,
2008
 

• Maurice Mars, Country Case Study for e-Health: South Africa, Department of Tele-
Health, University of KwaZulu-Natal, South Africa
 

• McConnell, Campbell; Stanley L. Brue (2005). Microeconomics: Principles, Problems,

and Policies. McGraw-Hill Professional. pp. 27.
 

• Keith MacDonald, Fran Turisco & Erica Drazen (2003), Advanced Technology Lower
Costs and Improve Quality, USA for Massachusetts Technology Park Corporation
 

• E McIntosh (1997), A framework for the economic evaluation of telemedicine, Journal of

Telemedicine and Telecare 1997; 3: 132–139
 

• Mechael, P. (2006). Exploring Health-related Uses of Mobile Phones: An Egyptian Case

Study, Public Health & Policy (p. 264). London: London School of Hygiene and Tropical
Medicine.

• Mechael, P. (2007), WHO mHealth Review: Towards the Development of an mHealth

Strategy, World Health Organization

78 
 
 • Masako Miyazaki (2003), The Future of e-Health – Wired or not Wired, Business Briefing
Hospital Engineering & Facilities Management

• Anne Mills and Lucy Gilson (1988), Health Economics for Developing Countries: A
Survival Kit, EPC Publication No 17, LSHTM

• Christopher J.L. Murray & al. (2000), Development of WHO Guidelines on generalized
cost-effectiveness analysis, Health Economics 9: 235–251

• Farhaan Mirza & al (2007), Opportunities and Barriers for Mobile Health in New
Zealand, MEDINFO IOS Press

• Saroj Mishra & al. (2008), mHealth: A Developing Country Perspective, making the
eHealth connection

• John Mitchell (2000), Increasing the cost-effectiveness of telemedicine by embracing e-

health, Journal of Telemedicine and Telecare Volume 6 Supplement 1 2000

• Joel L. Nitzkin (1996), Technology and Health Care - Driving Costs Up, not Down, IEEE
Technology and Society Magazine

• Dr Octavian Purcarea & al. (2004), Assessment methodology for eHealth, eHealth
Assessment meeting – Brussels 28th June 2004, DG INFSO Unit C4
 

• M V Ramana Murthy (2006), Mobile based Primary Health Care System for Rural India,
Mobile Computing and Wireless Networks, CDAC
 

• Stephanie Vergara Rojas (2008), A Systematic Review of the Key Indicators for Assessing
Telehomecare Cost-Effectiveness, VOL. 14 NO. 9 • November 2008 Telemedicine and
eHealth

• Patricia W Stone & al (2002), Evaluation of studies of health economics, Volume 5

October 2002 EBN
 

79 
 
 • Phelps, Charles E. (2002), Health Economics 3rd Ed, Addison Wesley. Boston, MA
 

• Brigitte Piniewski & al., Connected Personal Health in 2015: “Getting it Right!”,
www.continuaalliance.org
 

• Paul Scuffham (2002), Quality of cost effectiveness studies in systematic reviews is

problematic, BMJ 2002;325:598
 

• Shields, T., A. Chetley, and J. Davis, ICT in the health sector: Summary of the online
consultation. 2005, infoDev.
 

• Sapal Tachakra & al. Mobile e-Health: The Unwired Evolution, Telemedicine Journal and
e-Health, Volume 9, Number 3, 2003

• P.N.T. Wells (2003), Can Technology Truly Reduce Healthcare Costs?, IEEE
Engineering in medicine and biology magazine
 

• Prieto, Luis; Sacristán, JA (2003-12-19). "Problems and solutions in calculating quality-

adjusted life years (QALYs)" Health and Quality of Life Outcomes (BioMed Central) 1. D
 

• RAND, Cost data remain elusive for healthcare IT installation, Healthcare Strategic
Management; Jun2006, Vol. 24 Issue 6, p2-3, 2p
 

• H.F. Rashvand & al. (2008), Ubiquitous wireless telemedicine, The Institution of
Engineering and Technology

• Tim Reardon (2005), Research Findings and Strategies for Assessing Telemedicine Costs,
Telemedicine and eHealth Volume 11, Number 3, 2005
 

• Saltelli, A., Ratto, M., Andres, T., Campolongo, F., Cariboni, J., Gatelli, D. Saisana, M.,
and Tarantola, S., 2008, Global Sensitivity Analysis, The Primer, John Wiley & Sons.
 

80 
 
 • Scholten, Nicholls, Olsen, Galimidi (2006). SROI A Guide to Social Return on Investment.
Lenthe Publishers

• Richard E. Scott, McCarthy, Frank G., et Al. (2007) MHealth outcomes: a synthesis of the
literature and recommendations for outcome indicators, Journal of Telemedicine and
Telecare, October 2007, Volume 13, Supplement 2, p. 21

• Richard E. Scott & al. (2008), Global eHealth – Measuring Outcomes: Why, What, and
How, making the eHealth connection (A Report Commissioned by the World Health
Organization’s Global Observatory for eHealth)
 

• W. Seabrook and A. Ruck (2008), E-Health: Challenges and Opportunities,

Commonwealth Secretariat

• Karl A. Stroetmann & al. (2008), eHealth is Worth it: The economic benefits of
implemented eHealth solutions at ten European sites, European Commission,
www.ehealth-impact.org
 

• Karl A. Stroetmann & al. (2008), Assessing socio-economic and clinical benefits from
eHealth solutions - approach and evidence, eHealth Planning and Management
Symposium

• Paul Taylor (2005), Evaluating telemedicine systems and services, Journal of

Telemedicine and Telecare 2005; 11: 167–177

• The Association of Chartered Certified Accountants (ACCA) with the European

Commission Information Society, e-health – financial and economic case studies, London
2003

• T. Tan-Torres Edejer & al. (2003), WHO Guide to Cost-Effectiveness Analysis, World
Health Organization

81 
 
 • Tsuji & al. (2008), An Empirical Analysis of Reduction of Medical Expenditures by the
eHealth System, Graduate School of Applied Informatics, University of Hyogo, Kyoto
University of Education
 

• Masatsugu Tsuji (2003), An empirical analysis of a telehealth system in terms of cost-

sharing, Journal of Telemedicine and Telecare 2003; 9 (Suppl. 1): S1:41–43

• Varshney, U. (2006), Using wireless technologies in healthcare, Int. J. Mobile

Communications, Vol. 4, No. 3, pp.354–368

• Vital Wave Consulting (2008), mHealth for Development, United Nations Foundation

• Vital Wave Consulting (2008), Landscape Analysis of mHealth in the Global South,
United Nation Foundation

• Vital Wave Consulting (2008), Sizing the Business Potential of mHealth in the Global
South: A Practical Approach, making the eHealth connection

• Walker J, Pan E, Johnston D et al. (2005), The Value of Health Care Information
Exchange and Interoperability, Health Affairs Accessed online
 

• Peter Wells & al. (2006), Digital healthcare the impact of information and communication
technologies on health and healthcare, The Royal Society

• Pamela S Whitten & al. (2002) Systematic review of cost effectiveness studies of
telemedicine interventions. BMJ 2002 324: 1434-1437

• Pamela S Whitten & al. (2000), Results of a meta-analysis of cost–benefit research: is this
a question worth asking?, Journal of Telemedicine and Telecare Volume 6 Supplement 1
2000
 

• Williams A (1987) "Health economics: the cheerful face of a dismal science" in Williams
A (ed.) Health and Economics, Macmillan: London
 

82