Clinical Adoption of mHealth Technology to Support Pediatric Cystic Fibrosis Care in Sweden: Qualitative Case Study
Notice bibliographique
Résumé
BACKGROUND: Mobile health (mHealth) technologies have potential to improve self-management and care co-ordination of pediatric chronic diseases requiring complex care, such as cystic fibrosis (CF). Barriers to implementation include the lack of support and infrastructure to use mHealth in the clinical microsystem. Coproducing mHealth technology with patients, clinicians, and designers may increase the likelihood of successful integration into the clinical setting. OBJECTIVE: This study explored the development, adoption, and integration of a new, co-produced mHealth platform (Genia) for the management of pediatric CF in Sweden. METHODS: A retrospective, qualitative case study approach was used. The case was defined as the process of introducing and using Genia at the Pediatric Cystic Fibrosis Center at Skåne University Hospital in Lund, Sweden. Data sources included interviews, presentations, meeting notes, and other archival documents created between 2014 and 2017. To be included, data sources must have described or reflected upon the Genia adoption process. Iterative content analysis of data source materials was conducted by 2 qualitatively trained researchers to derive themes characterizing the mHealth clinical adoption process. RESULTS: In total, 4 core themes characterized successful clinical integration of Genia in Lund: cultural readiness to use mHealth; use of weekly huddles to foster momentum and rapid iteration; engagement in incremental "Genia Talk" to motivate patient adoption; and co-design approach toward pediatric chronic care. CONCLUSIONS: Principles of quality improvement, relational co-ordination, user-centered design, and coproduction can facilitate the integration of mHealth technology into clinical care systems for pediatric CF care.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».