Healthcare Workers’ Perspectives of mHealth Adoption Factors in the Developing World: Scoping Review
Notice bibliographique
Résumé
BACKGROUND: mHealth applications provide health practitioners with platforms that enable disease management, facilitate drug adherence, facilitate drug adherence, speed up diagnosis, monitor outbreaks, take and transfer medical images, and provide advice. Many developing economies are investing more in mobile telecommunication infrastructure than in road transport and electric power generation. Despite this, mHealth has not seen widespread adoption by healthcare workers in the developing world. This study reports a scoping review of factors that impact the adoption of mHealth by healthcare workers in the developing world, and based on these findings, a framework is developed for enhancing mHealth adoption by healthcare workers in the developing world. METHODS: A structured literature search was performed using PubMed and Scopus, supplemented by hand searching. The searches were restricted to articles in English during the period January 2009 to December 2019 and relevant to the developing world that addressed: mobile phone use by healthcare workers and identified factors impacting the adoption of mHealth implementations. All authors reviewed selected papers, with final inclusion by consensus. Data abstraction was performed by all authors. The results were used to develop the conceptual framework using inductive iterative content analysis. RESULTS AND DISCUSSION: Of 919 articles, 181 met the inclusion criteria and, following a review of full papers, 85 reported factors that impact (promote or impede) healthcare worker adoption of mHealth applications. These factors were categorised into 18 themes and, after continued iterative review and discussion were reduced to 7 primary categories (engagement/funding, infrastructure, training/technical support, healthcare workers' mobile-cost/ownership, system utility, motivation/staffing, patients' mobile-cost/ownership), with 17 sub-categories. These were used to design the proposed framework. CONCLUSIONS: Successful adoption of mHealth by healthcare workers in the developing world will depend on addressing the factors identified in the proposed framework. They must be assessed in each specific setting prior to mHealth implementation. Application of the proposed framework will help shape future policy and practice of mHealth implementation in the developing world and increase adoption by health workers.
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 | 0,054 | 0,116 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,021 | 0,024 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,008 | 0,008 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».