A Model for Assessing Necessary Conditions for Rural Health Care’s Mobile Health Readiness: Qualitative Assessment of Clinician-Perceived Barriers
Notice bibliographique
Résumé
BACKGROUND: Mobile health (mHealth) technology dissemination has penetrated rural and urban areas alike. Yet, health care organization oversight and clinician adoption have not kept pace with patient use. mHealth could have a unique impact on health and quality of life for rural populations. If organizations are prepared to manage mHealth, clinicians may improve the quality of care for their patients, both rural and urban. However, many organizations are not yet prepared to prescribe or prohibit third-party mHealth technologies. OBJECTIVE: This study explored organizational readiness for rural mHealth adoption, the use of patient-reported data by clinical care teams, and potential impact on improving rural health care delivery. METHODS: Semistructured, open-ended interviews were used to investigate clinicians' current practices, motivators, and perceived barriers to their use of mHealth technologies in rural settings. RESULTS: A total of 13 clinicians were interviewed, and 53.8% (7/13) reported encouraging use of mHealth apps or wearable devices with rural patients. Perceived barriers to adoption were categorized into three primary themes: (1) personal (clinician), (2) patient, and (3) organizational. Organizational was most prominent, with subcodes of time, uniformity, and policy or direction. Thematic analysis revealed code-category linkages that identify the complex nature of a rural health care organization's current climate from a clinician's perspective. A thematic map was developed to visualize the flow from category to code. Identified linkages guided the development of a refined rural mHealth readiness model. CONCLUSIONS: Clinicians (including physicians) have limited time for continuing education, research, or exploration of emerging technologies. Clinicians are motivated to learn more, but they need guidance through organization-led directives. Rural health care institutions should consider investing in mHealth analysis, tool development, and formal recommendations of sanctioned tools for clinicians to use with patients.
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 | 0,050 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,006 | 0,007 |
| Communication savante | 0,005 | 0,007 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».