Sociotechnical Challenges of Digital Health in Nursing Practice During the COVID-19 Pandemic: National Study
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic has accelerated the use of digital health innovations, which has greatly impacted nursing practice. However, little is known about the use of digital health services by nurses and how this has changed during the pandemic. OBJECTIVE: This study explored the sociotechnical challenges that nurses encountered in using digital health services implemented during the pandemic and, accordingly, what digital health capabilities they expect from the emerging workforce. METHODS: Five groups of nurses, including chief nursing information officers, nurses, clinical educators, nurse representatives at digital health vendor companies, and nurse representatives in government bodies across Australia were interviewed. They were asked about their experience of digital health during the pandemic, their sociotechnical challenges, and their expectations of the digital health capabilities of emerging nurses to overcome these challenges. Interviews were deductively analyzed based on 8 sociotechnical themes, including technical challenges, nurse-technology interaction, clinical content management, training and human resources, communication and workflow, internal policies and guidelines, external factors, and effectiveness assessment of digital health for postpandemic use. RESULTS: Sixteen participants were interviewed. Human factors and clinical workflow challenges were highly mentioned. Nurses' lack of knowledge and involvement in digital health implementation and evaluation led to inefficient use of these technologies during the pandemic. They expected the emerging workforce to be digitally literate and actively engaged in digital health interventions beyond documentation, such as data analytics and decision-making. CONCLUSIONS: Nurses should be involved in digital health interventions to efficiently use these technologies and provide safe and quality care. Collaborative efforts among policy makers, vendors, and clinical and academic industries can leverage digital health capabilities in the nursing workforce.
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 | 0,009 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,004 |
| Communication savante | 0,003 | 0,005 |
| Science ouverte | 0,001 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».