Key informant perceptions of challenges and facilitators to implementing passive remote monitoring technology for home care clients
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: Passive remote monitoring technologies (RMT) are an option that could keep frail older adults home longer while reducing care burdens on family/friend caregivers.In contrast to active RMT which requires an individual to engage with the technology (i.e., push a button), passive RMT does not require any action to function (i.e., sensors or cameras).Objective: This qualitative study explored the challenges and facilitators of implementing passive RMT in home care settings by applying an implementation science lens.Method: Twenty semi-structured interviews were conducted with key informant stakeholders.Data were coded using a Framework Analysis approach that inductively and deductively coded transcripts.The analysis applied deductive codes based on the implementation science framework, the Consolidated Framework for Implementation Research (CFIR).Inductive coding ensured that the participants' perspectives were represented.Results: Although participants perceived passive RMT was beneficial, there were health system policies that made it hard for practitioners to share information on passive RMT with home care clients; thus, home care clients and their caregivers, who may not have the digital literacy to determine which RMT are suitable for the situation, were tasked with determining which RMT was suitable.Conclusion: Applying an implementation science lens helped identify what institutional barriers need to be addressed to integrate passive RMT into home care for older adults.The findings highlight the need to educate practitioners and policymakers on when passive RMT is appropriate for home care clients.Disseminating information on passive RMT to older adults and their families could increase their awareness and facilitate decision-making.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| 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 | 0,000 |
| 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 découle