Impact of Digital Literacy Levels of Health Care Professionals on Perceived Quality of Care
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background Multiple digital technologies were used during and after the COVID-19 pandemic with an intent to improve quality of patient care. It has been seen that the perception of patients toward the use of digital solutions in clinical care varies significantly. This has also been attributed to varying levels of digital literacy among the health care professionals (HCP) involved in patient care. Objective Our paper aims to study the impact of digital literacy levels of HCPs, including hospital attendants and support staff who were involved in a clinical care team of COVID-19 patients, so that barriers toward the implementation of digital health solutions could be identified. Methods A standardized survey using responses based on Likert scale was developed, which measured the confidence levels of HCPs and their attitudes toward digital technologies. The survey consisted of questions from the Technology Acceptance Model as well as the unified theory of acceptancy and use of technology to assess the attitude of HCPs. A total of 100 Hospital attendants directly employed in patient care were enrolled in the study. They were also asked to respond to feedback received from patients on the perceived quality of care. Results Around 60% of the HCPs showed high digital literacy levels. Most respondents showed confidence in the use of technology. Moreover, around 20% of HCPs showed apprehension toward using digital solutions for direct patient care. A significant difference was found between study population with high digital literacy and perceived quality of care. Conclusions Our study found that poor digital literacy in HCPs adversely affects the safety and quality of patient care. It is important that institutions provide targeted education and training to not only doctors and nursing staff but also other support staff with low digital literacy levels and to boost their confidence in providing clinical 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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découle