Perceptions of Mobile Health Technology in Elective Surgery
Notice bibliographique
Résumé
OBJECTIVES: To explore the surgeon-perceived added value of mobile health technologies (mHealth), and determine facilitators of and barriers to implementing mHealth. BACKGROUND: Despite the growing popularity of mHealth and evidence of meaningful use of patient-generated health data in surgery, implementation remains limited. METHODS: This was an exploratory qualitative study following the Consolidated Criteria for Reporting Qualitative Research. Purposive sampling was used to identify surgeons across the United States and Canada. The Consolidated Framework for Implementation Research informed development of a semistructured interview guide. Video-based interviews were conducted (September-November 2020) and interview transcripts were thematically analyzed. RESULTS: Thirty surgeons from 8 specialties and 6 North American regions were interviewed. Surgeons identified opportunities to integrate mHealth data pre- operatively (eg, expectation-setting, decision-making) and during recovery (eg, remote monitoring, earlier detection of adverse events) among higher risk patients. Perceived advantages of mHealth data compared with surgical and patient-reported outcomes included easier data collection, higher interpretability and objectivity of mHealth data, and the potential to develop more patientcentered and functional measures of health. Surgeons identified a variety of implementation facilitators and barriers around surgeon- and patient buy-in, integration with electronic medical records, regulatory/reimbursement concerns, and personnel responsible for mHealth data. Surgeons described similar considerations regarding perceptions of mHealth among patients, including the potential to address or worsen existing disparities in surgical care. CONCLUSIONS: These findings have the potential to inform the effective and equitable implementation of mHealth for the purposes of supporting patients and surgical care teams throughout the delivery of surgical care.
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 | 0,005 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,000 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».