Key Stakeholder Barriers and Facilitators to Implementing Remote Monitoring Technologies: Protocol for a Mixed Methods Analysis
Notice bibliographique
Résumé
BACKGROUND: The implementation of novel digital solutions within the National Health Service has historically been challenging. Since the start of the COVID-19 pandemic, there has been a greater push for digitization and for operating remote monitoring solutions. However, the implementation and widespread adoption of this type of innovation have been poorly studied. OBJECTIVE: We aim to investigate key stakeholder barriers and facilitators to implementing remote monitoring solutions to identify factors that could affect successful adoption. METHODS: A mixed methods approach will be implemented. Semistructured interviews will be conducted with high-level stakeholders from industry and academia and health care providers who have played an instrumental role in, and have prior experience with, implementing digital solutions, alongside the use of an adapted version of the Technology Acceptance Model questionnaire. RESULTS: Enrollment is currently underway, having started in February 2022. It is anticipated to end in July 2022, with data analysis scheduled to commence in August 2022. CONCLUSIONS: The results of our study may highlight key barriers and facilitators to implementing digital remote monitoring solutions, thereby allowing for improved widespread adoption within the National Health Service in the future. TRIAL REGISTRATION: ClinicalTrials.gov NCT05321004; https://clinicaltrials.gov/ct2/show/NCT05321004.
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 | 0,151 | 0,114 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,003 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,007 | 0,005 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,007 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,086 | 0,015 |
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 ».