Willingness to Use and Pay for Digital Health Care Services According to 4 Scenarios: Results from a National Survey
Notice bibliographique
Résumé
BACKGROUND: Smartphones and their associated technology have evolved to an extent where these devices can be used to provide digital health interventions. However, few studies have been conducted on the willingness to use (WTU) and willingness to pay (WTP) for digital health interventions. OBJECTIVE: The purpose of this study was to investigate how previous service experience, the content of the services, and individuals' health status affect WTU and WTP. METHODS: We conducted a nationwide web-based survey in 3 groups: nonusers (n=506), public service users (n=368), and private service users (n=266). Participants read scenarios about an imagined health status (such as having a chronic illness) and the use of digital health intervention models (self-management, expert management, and medical management). They were then asked to respond to questions on WTU and WTP. RESULTS: Public service users had a greater intention to use digital health intervention services than nonusers and private service users: scenario A (health-risk situation and self-management), nonusers=odd ratio [OR] .239 (SE .076; P<.001) and private service users=OR .138 (SE .044; P<.001); scenario B (health-risk situation and expert management), nonusers=OR .175 (SE .040; P<.001) and private service users=OR .219 (SE .053; P<.001); scenario C (chronic disease situation and expert management), nonusers=OR .413 (SE .094; P<.001) and private service users=OR .401 (SE .098; P<.001); and scenario D (chronic disease situation and medical management), nonusers=OR .480 (SE .120; P=.003) and private service users=OR .345 (SE .089; P<.001). In terms of WTP, in scenarios A and B, those who used the public and private services had a higher WTP than those who did not (scenario A: β=-.397, SE .091; P<.001; scenario B: β=-.486, SE .098; P<.001). In scenario C, private service users had greater WTP than public service users (β=.264, SE .114; P=.02), whereas public service users had greater WTP than nonusers (β=-.336, SE .096; P<.001). In scenario D, private service users were more WTP for the service than nonusers (β=-.286, SE .092; P=.002). CONCLUSIONS: We confirmed that the WTU and WTP for digital health interventions differed based on individuals' prior experience with health care services, health status, and demographics. Recently, many discussions have been made to expand digital health care beyond the early adapters and fully into people's daily lives. Thus, more understanding of people's awareness and acceptance of digital health care is needed.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».