Implementing Technology in Practice: Factors Associated with Clinicians’ Satisfaction with an AI Wound Assessment Solution
Notice bibliographique
Résumé
Abstract Introduction: A digital wound care management application (Swift) leveraging Artificial Intelligence (AI) technology is used by healthcare providers to improve the quality of wound care. Methods: Our observational cross-sectional study invited clinicians using Swift to evaluate wounds at their practice to participate in an online survey to assess their practice patterns, overall satisfaction with the solution, and perspectives on the perceived benefits of using it through a five-point Likert scale and open-ended questions. Results: Overall, our study recorded 81% satisfaction among clinicians. Our findings noted a significantly higher satisfaction (85.5% vs. 76.5%, P=0.034) and agreement on perceived clinical benefits, such as tracking clinical changes in wounds (88.7% vs. 83.6%, P=0.045), saving time in assessing wounds (81.1% vs.71.6%, P=0.023), and effective collaboration (76.1% vs. 70.4%, P=0.044), among those who used the solution for more than nine months compared to those who used the solution for less than nine months. Using the logistic regression model, the likelihood of clinicians’ satisfaction with the technology increased two-fold with the prolonged use of the technology (OR 2.334, 95% CI 1.940- 5.792, P = 0.042) and when the solution was seen to enable more efficient collaboration (OR 2.291, 95% CI 2.928-5.656, P = 0.047). Conclusion: Clinician satisfaction with technology changes over time. Therefore, it is essential when implementing a new technology to investigate its ability to meet clinical needs and improve the user experience. A holistic understanding of what drives clinician satisfaction in practice is essential.
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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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 ».