Barriers and Benefits of Information Communication Technologies Used by Health Care Aides
Notice bibliographique
Résumé
BACKGROUND: Although information and communication technologies (ICT) are becoming more common among health care providers, there is little evidence on how ICT can support health care aides. Health care aides, also known as personal care workers, are unlicensed service providers who encompass the second largest workforce, next to nurses, that provide care to older adults in Canada. OBJECTIVE: The purpose of this literature review is to examine the range and extent of barriers and benefits of ICT used by health care workers to manage and coordinate the care-delivery workflow for their clients. METHODS: We conducted a literature review to examine the range and extent of ICT used by health care aides to manage and coordinate their care delivery, workflow, and activities. We identified 8,958 studies of which 40 were included for descriptive analyses. RESULTS: We distinguished the following five different purposes for the use and implementation of ICT by health care aides: (1) improve everyday work, (2) access electronic health records for home care, (3) facilitate client assessment and care planning, (4) enhance communication, and (5) provide care remotely. We identified 128 barriers and 130 benefits related to adopting ICT. Most of the barriers referred to incomplete hardware and software features, time-consuming ICT adoption, heavy or increased workloads, perceived lack of usefulness of ICT, cost or budget restrictions, security and privacy concerns, and lack of integration with technologies. The benefits for health care aides' adoption of ICT were improvements in communication, support to workflows and processes, improvements in resource planning and health care aides' services, and improvements in access to information and documentation. CONCLUSION: Health care aides are an essential part of the health care system. They provide one-on-one care to their clients in everyday tasks. Despite the scarce information related to health care aides, we identified many benefits of ICT adoption.
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 | 0,021 | 0,121 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».