Exploring factors associated with the uneven utilization of telemedicine in Norway: a mixed methods study
Notice bibliographique
Résumé
BACKGROUND: Norway has a long history of using telemedicine, especially for geographical reasons. Despite the availability of promising telemedicine applications and the implementation of national initiatives and policies, the sustainability and scaling-up of telemedicine in the health system is still far from accomplished. The main objective of this study was to explore and identify the multi-level (micro, meso and macro) factors affecting telemedicine utilization in Norway. METHODS: We used a mixed methods approach. Data from a national registry were collected to analyze the use of outpatient visits and telemedicine contacts in Norway from 2009 to 2015. Interviews with key stakeholders at national, regional and local level helped complete and contextualize the data analysis and explore the main issues affecting the use of telemedicine by health authorities and hospitals. Relevant national documents were also used to support, contradict, contextualize or clarify information and data. RESULTS: Telemedicine use in Norway from 2009 to 2015 remained very low, not exceeding 0.5% of total outpatient activity at regional level and 0.1% at national level. All four regions used telemedicine. Of the 29 hospitals, 24 used it at least once over the 7-year period. Telemedicine was not used regularly everywhere, with some hospitals using it sporadically. Telemedicine was mostly used in selected specialties, including rehabilitation, neurosurgery, skin and venereal diseases. Three major themes affecting implementation and utilization of telemedicine in Norway emerged: (i) governance and strategy; (ii) organizational and professional dimensions; (iii) economic and financial dimensions. For each theme, a number of factors and challenges faced at different health care levels were identified. CONCLUSIONS: This study allowed shedding light on multi-level and interdependent factors affecting utilization of telemedicine in Norway. The identification of the main implementation and utilization challenges might support decision makers and practitioners in the successful scaling-up of telemedicine. This work provides a knowledge base useful to other countries which intend to implement telemedicine or other digital health services into their healthcare systems.
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 | 0,023 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».