Empirical Research on Acceptance of Digital Technologies in Medicine Among Patients and Healthy Users: Questionnaire Study
Notice bibliographique
Résumé
BACKGROUND: In recent years, interest in digital technologies such as electronic health, mobile health, telemedicine, big data, and health apps has been increasing in the health care sector. Acceptance and sustainability of these technologies play a considerable role for innovative health care apps. OBJECTIVE: This study aimed to identify the spread of and experience with new digital technologies in the medical sector in Germany. METHODS: We analyzed the acceptance of new health care technologies by applying the Technology Acceptance Model to data obtained in the German ePatient Survey 2018. This survey used standardized questionnaires to gain insight into the prevalence, impact, and development of digital health applications in a study sample of 9621 patients with acute and chronic conditions and healthy users. We extracted sociodemographic data and details on the different health app types used in Germany and conducted an evaluation based on the Technology Acceptance Model. RESULTS: The average age of the respondents was 59.7 years, with a standard deviation of 16 years. Digital health care apps were generally accepted, but differences were observed among age groups and genders of the respondents. Men were more likely to accept digital technologies, while women preferred coaching and consultation apps. Analysis of the user typology revealed that most users were patients (n=4041, 42%), followed by patients with acute conditions (n=3175, 33%), and healthy users (n=2405, 25%). The majority (n=6542, 68%) discovered coaching or medication apps themselves on the internet, while more than half of the users faced initial difficulties operating such apps. The time of use of the same app or program ranged from a few days (n=1607, 37%) and several months (n=1694, 39%) to ≥1 year (n=1042, 24%). Most respondents (n=6927, 72%) stated that they would like to receive customized health care apps from their physician. CONCLUSIONS: The acceptance of digital technologies in the German health care sector varies depending on age and gender. The broad acceptance of medical digital apps could potentially improve individualized health care solutions and warrants governance.
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 | 0,009 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».