Exploring the Determinants of Mobile Health Adoption by Hospitals in China: Empirical Study
Notice bibliographique
Résumé
BACKGROUND: Although mobile health (mHealth) has the potential to transform health care by delivering better outcomes at a much lower cost than traditional health care services, little is known about mHealth adoption by hospitals. OBJECTIVE: This study aims to explore the determinants of mHealth adoption by hospitals using the technology-organization-environment (TOE) framework. METHODS: We conducted an interviewer-administered survey with 87 managers in Chinese public hospitals and analyzed the data using logistic regression. RESULTS: The results of our survey indicate that perceived ease of use (β=.692; P<.002), system security (β=.473; P<.05), top management support (β=1.466; P<.002), hospital size (β=1.069; P<.004), and external pressure (β=.703; P<.005) are significantly related to hospitals' adoption of mHealth. However, information technology infrastructure (β=.574; P<.02), system reliability (β=-1.291; P<.01), and government policy (β=2.010; P<.04) are significant but negatively related to hospitals' adoption of mHealth. CONCLUSIONS: We found that TOE model works in the context of mHealth adoption by hospitals. In addition to technological predictors, organizational and environmental predictors are critical for explaining mHealth adoption by Chinese hospitals.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».