Physicians’ Attitudes Toward Prescribable mHealth Apps and Implications for Adoption in Germany: Mixed Methods Study
Notice bibliographique
Résumé
BACKGROUND: In October 2020, Germany became the first country, worldwide, to approve certain mobile health (mHealth) apps, referred to as DiGA (Digitale Gesundheitsanwendungen, in German, meaning digital health applications), for prescription with costs covered by standard statutory health insurance. Yet, this option has only been used to a limited extent so far. OBJECTIVE: The aim of this study was to investigate physicians' and psychotherapists' current attitudes toward mHealth apps, barriers to adoption, and potential remedies. METHODS: We conducted a two-stage sequential mixed methods study. In phase one, semistructured interviews were conducted with physicians and psychotherapists for questionnaire design. In phase two, an online survey was conducted among general practitioners, physicians, and psychotherapists. RESULTS: A total of 1308 survey responses by mostly outpatient-care general practitioners, physicians, and psychotherapists from across Germany who could prescribe DiGA were recorded, making this the largest study on mHealth prescriptions to date. A total of 62.1% (807/1299) of respondents supported the opportunity to prescribe DiGA. Improved adherence (997/1294, 77.0%), health literacy (842/1294, 65.1%), and disease management (783/1294, 60.5%) were most frequently seen as benefits of DiGA. However, only 30.3% (393/1299) of respondents planned to prescribe DiGA, varying greatly by medical specialty. Professionals are still facing substantial barriers, such as insufficient information (1135/1295, 87.6%), reimbursement for DiGA-related medical services (716/1299, 55.1%), medical evidence (712/1298, 54.9%), legal uncertainties (680/1299, 52.3%), and technological uncertainties (658/1299, 50.7%). To support professionals who are unsure of prescribing DiGA, extended information campaigns (1104/1297, 85.1%) as well as recommendations from medical associations (1041/1297, 80.3%) and medical colleagues (1024/1297, 79.0%) were seen as the most impactful remedies. CONCLUSIONS: To realize the benefits from DiGA through increased adoption, additional information sharing about DiGA from trusted bodies, reimbursement for DiGA-related medical services, and further medical evidence are recommended.
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 | 0,012 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| 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 | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».