MétaCan
Menu
Retour à la cohorte
Enregistrement W3111599750 · doi:10.2196/23188

Health Care Staff’s Experiences of Engagement When Introducing a Digital Decision Support System for Wound Management: Qualitative Study

2020· article· en· W3111599750 sur OpenAlexvenueno aff
Hanna Wickström, Hanna Tuvesson, R.F. Öien, Patrik Midlöv, Cecilia Fagerström

Notice bibliographique

RevueJMIR Human Factors · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueWound Healing and Treatments
Établissements canadiensnon disponible
Organismes subventionnairesLandstinget BlekingeSveriges Kommuner och Landsting
Mots-clésInfluencer marketingeHealthNursingHealth careMultidisciplinary approachFeelingQualitative researchEmployee engagementCommunity engagementDigital healthMedicinePsychologyMedical educationPublic relationsSociologyBusiness

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: eHealth solutions such as digital decision support systems (DDSSs) have the potential to assist collaboration between health care staff to improve matters for specific patient groups. Patients with hard-to-heal ulcers have long healing times because of a lack of guidelines for structured diagnosis, treatment, and follow-up. Multidisciplinary collaboration in wound management teams is essential. A DDSS could offer a way of aiding improvement within wound management. The introduction of eHealth solutions into health care is complicated, and the engagement of the staff seems crucial. Factors influencing and affecting engagement need to be understood and considered for the introduction of a DDSS to succeed. OBJECTIVE: This study aims to describe health care staff's experiences of engagement and barriers to and influencers of engagement when introducing a DDSS for wound management. METHODS: This study uses a qualitative approach. Interviews were conducted with 11 health care staff within primary (n=4), community (n=6), and specialist (n=1) care during the start-up of the introduction of a DDSS for wound management. The interviews focused on the staff's experiences of engagement. Content analysis by Burnard was used in the data analysis process. RESULTS: A total of 4 categories emerged describing the participants' experiences of engagement: a personal liaison, a professional commitment, an extended togetherness, and an awareness and understanding of the circumstances. CONCLUSIONS: This study identifies barriers to and influencers of engagement, reinforcing that staff experience engagement through feeling a personal liaison and a professional commitment to make things better for their patients. In addition, engagement is nourished by sharing with coworkers and by active support and understanding from leadership.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,661

Scores Codex et Gemma par catégorie

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

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 Opus0,080
Tête enseignante GPT0,418
Écart entre enseignants0,339 · 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 tête enseignante, pas un consensus.

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

Citations12
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Human FactorsMême sujetWound Healing and TreatmentsTravaux en français237 207