A Qualitative Study of the Perspectives of Healthcare Professionals on Features of Digital Health Interventions to Support Physical Activity in Solid Organ Transplant Recipients
Notice bibliographique
Résumé
Introduction: Digital health interventions may support physical activity among solid organ transplant recipients. These interventions should be designed with users in mind, including healthcare professionals who counsel transplant recipients on physical activity to ensure acceptance and to promote an optimal user experience. The purpose of this study was to explore the perspectives of health care providers on the features of digital health interventions that would be useful in the promotion, implementation, and maintenance of physical activity among solid organ transplant recipients. Methods: This qualitative, cross-sectional study used semistructured interviews that were conducted remotely, via videoconferencing software, with providers who worked with transplant recipients. Interviews were transcribed, and an iterative-inductive, thematic analysis was used to identify common themes. Data were coded using NVivo software. Findings: Thirteen providers participated in this study. Four main themes were identified: (a) physical activity and exercise features (eg, physical activity guidelines, and exercise instructions); (b) credibility; (c) self-management; and (d) user engagement. Potential barriers to using digital health interventions included staffing requirements, professional regulatory issues, cost, perceived low patient motivation to use, and lack of technological literacy or access. Discussion: Digital health interventions were perceived to be a potential adjunct to current physical activity counseling practices, and part of an innovative strategy to address identified barriers to physical activity participation in solid organ transplant recipients.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».