Determinants of the Intention of Senegal's Physicians to Use Telemedicine in Their Professional Activities
Notice bibliographique
Résumé
BACKGROUND: In Senegal, physicians are unevenly distributed, leading to unequal access to healthcare in underserved areas. Telemedicine is seen as a potential means to address this problem. INTRODUCTION: Telemedicine's potential to improve access depends, in part, on physicians' intention to use the technology. In Senegal that intention is not well known. This study aimed to determine that intention and the factors that influence it. MATERIALS AND METHODS: We conducted a cross-sectional study between January and February 2015 with a random sample of 168 physicians working in public hospitals and 153 in district health centers in Senegal. Data were collected using two questionnaires and analyzed using descriptive statistics, correlations, and linear regression. RESULTS: The intention to use telemedicine by physicians working in public hospitals and district health centers was moderate and was positively correlated with their attitude, subjective norm, and perceived behavioral control. The intention of the physicians working in public hospitals was also positively correlated with their region and status as contract employee, but negatively with their status as government employee. That of the physicians working in district health centers was negatively correlated with their age and years of practice. DISCUSSION: These results showed that, overall, the intention of Senegal's physicians to use telemedicine was moderate and could be improved by acting on factors related to their perceived behavioral control and other factors correlated with their intention. CONCLUSIONS: Physicians' intention to use telemedicine in Senegal is fair but could be improved by addressing the factors identified in this study.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».