Integrating Technology Adoption Models Into Implementation Science Methodologies: A Mixed-Methods Preimplementation Study
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Sustainable implementation of patient-oriented technologies in health care settings is challenging. Preimplementation studies guided by the Consolidated Framework for Implementation Research (CFIR) can provide opportunities to address barriers and leverage facilitators that can maximize the likelihood of successful implementation. When looking to implement patient-oriented technologies, preimplementation studies may also benefit from guidance from a conceptual framework specific to technology adoption such as the Unified Theory of Acceptance and Use of Technology. This study was, therefore, aimed at identifying determinants for the successful implementation of a patient-oriented technology (i.e., automated pain behavior monitoring [APBM] system) within a health care setting (i.e., long-term care [LTC] facility). RESEARCH DESIGN AND METHODS: Using a mixed-methods study design, 164 LTC nurses completed a set of questionnaires and 68 LTC staff participated in individual interviews involving their perceptions of an APBM system in LTC environments. Quantitative data were analyzed using a series of mediation analyses and narrative responses were examined using directed content analysis. RESULTS: Performance expectancy and effort expectancy partially and fully mediated the influence of implementation, readiness for organizational change, and technology readiness constructs on behavioral intentions to use the APBM system in LTC environments. Findings from the qualitative portion of this study provide guidance for the development of an intervention that is grounded in the CFIR. DISCUSSION AND IMPLICATIONS: Based on our results, we offer recommendations for the implementation of patient-oriented technologies in 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 distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,032 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».