Health Care Provider Adoption of eHealth: Systematic Literature Review
Notice bibliographique
Résumé
BACKGROUND: eHealth is an application of information and communication technologies across the whole range of functions that affect health. The benefits of eHealth (eg, improvement of health care operational efficiency and quality of patient care) have previously been documented in the literature. Health care providers (eg, medical doctors) are the key driving force in pushing eHealth initiatives. Without their acceptance and actual use, those eHealth benefits would be unlikely to be reaped. OBJECTIVE: To identify and synthesize influential factors to health care providers' acceptance of various eHealth systems. METHODS: This systematic literature review was conducted in four steps. The first two steps facilitated the location and identification of relevant articles. The third step extracted key information from those articles including the studies' characteristics and results. In the last step, identified factors were analyzed and grouped in accordance with the Unified Theory of Acceptance and Use of Technology (UTAUT). RESULTS: This study included 93 papers that have studied health care providers' acceptance of eHealth. From these papers, 40 factors were identified and grouped into 7 clusters: (1) health care provider characteristics, (2) medical practice characteristics, (3) voluntariness of use, (4) performance expectancy, (5) effort expectancy, (6) social influence, and (7) facilitating or inhibiting conditions. CONCLUSIONS: The grouping results demonstrated that the UTAUT model is useful for organizing the literature but has its limitations. Due to the complex contextual dynamics of health care settings, our work suggested that there would be potential to extend theories on information technology adoption, which is of great benefit to readers interested in learning more on the topic. Practically, these findings may help health care decision makers proactively introduce interventions to encourage acceptance of eHealth and may also assist health policy makers refine relevant policies to promote the eHealth innovation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,030 | 0,123 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,006 |
| Bibliométrie | 0,023 | 0,023 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».