Adoption of e-health technology by physicians: a scoping review
Notice bibliographique
Résumé
OBJECTIVE: The goal of this scoping review was to summarize the current literature identifying barriers and opportunities that facilitate adoption of e-health technology by physicians. DESIGN: Scoping review. SETTING: MEDLINE, EMBASE, and PsycINFO databases as provided by Ovid were searched from their inception to July 2015. Studies captured by the search strategy were screened by two reviewers and included if the focus was on barriers and facilitators of e-health technology adoption by physicians. RESULTS: Full-text screening yielded 74 studies to be included in the scoping review. Within those studies, eleven themes were identified, including cost and liability issues, unwillingness to use e-health technology, and training and support. CONCLUSION: Cost and liability issues, unwillingness to use e-health technology, and training and support were the most frequently mentioned barriers and facilitators to the adoption of e-health technology. Government-level payment incentives and privacy laws to protect health information may be the key to overcome cost and liability issues. The adoption of e-health technology may be facilitated by tailoring to the individual physician's knowledge of the e-health technology and the use of follow-up sessions for physicians and on-site experts to support their use of the e-health technology. To ensure the effective uptake of e-health technologies, physician perspectives need to be considered in creating an environment that enables the adoption of e-health strategies.
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 | 0,037 | 0,148 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,025 | 0,024 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,005 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».