MétaCan
Menu
Retour à la cohorte
Enregistrement W3004499567 · doi:10.2196/16917

Patient Attitudes Toward Mobile Device Use by Health Care Providers in the Emergency Department: Cross-Sectional Survey

2020· article· en· W3004499567 sur OpenAlexvenueno aff
Mohamad Alameddine, Hani Tamim, Dima Hadid, Mohamad Ali Cheaito, Maha Makki, Hadi Maatouk, Eveline Hitti

Notice bibliographique

RevueJMIR mhealth and uhealth · 2020
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésEmergency departmentMedicineHealth careCross-sectional studyLogistic regressionMedical emergencyFamily medicinemHealthNursingPsychological intervention

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Health care provider usage of mobile devices is increasing globally; however, there is little understanding of patient perceptions on this behavior in a health care setting. OBJECTIVE: The aim of this study was to assess patients' attitudes toward mobile device usage by health care providers in the emergency department and to identify predictors of these attitudes. METHODS: The study was carried out at the emergency department of a large academic tertiary care medical center in Lebanon. A cross-sectional survey design was adopted by administering a questionnaire to medically stable adult patients who presented to the emergency department with an emergency severity index of 3, 4, or 5 between January 2017 and March 2018. The questionnaire collected relevant patient demographic information and included questions related to their mobile device usage along with those evaluating attitudes for the use of mobile devices by health care providers with respect to six major domains: role in health care, distraction potential, impact on communication, empathy, privacy, and professionalism. The attitude toward mobile device usage by health care providers in the emergency department was the main outcome variable. A stepwise logistic regression model was used to assess the association between the outcome variable and the demographic and attitude-related independent variables. RESULTS: Among the 438 eligible patients, 338 patients responded to the questionnaire for a response rate of 70.0%. Overall, 313/338 (92.6%) respondents agreed that mobile devices improve health care delivery, whereas 132/338 (39.1%) respondents were opposed to their usage by health care providers in the emergency department (95% CI: 34.0-44.4). The majority (240/338, 71.0%) of patients agreed that mobile devices are a source of distraction to health care providers in the workplace. Females (odds ratio [OR]=1.67, 95% CI: 1.00-2.78) as well as all patients (OR=2.54, 95% CI 1.36-4.76) who believed that mobile devices were a source of distraction, reflecting a lack of professionalism (OR=2.77, 95% CI 1.59-4.82) and impacting the provider's ability to relate to the patient (OR=2.93, 95% CI 1.72-4.99), were more likely to agree that mobile devices should not be used in the emergency department. CONCLUSIONS: Patients' negative attitude toward mobile device use in the emergency department is largely driven by patient gender (females), patient perception of the distraction potential of the devices, and their negative impact on the health care provider's empathy and professionalism. The findings of this study shed light on the importance of encouraging stakeholders to impose a digital professionalism code of conduct for providers working in acute health care settings.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,002
Score d'incertitude au seuil0,010

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,147
Tête enseignante GPT0,485
Écart entre enseignants0,337 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations17
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealthMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207