Perceptions of patients and nurses regarding the use of wearables in inpatient settings: a mixed methods study
Notice bibliographique
Résumé
Wearable devices for hospitalized patients could help improve care. The purpose of this study was to highlight key barriers and facilitators involved in adopting wearable technology in acute care settings using patient and clinician feedback. Hospitalized patients, 18 years or older, were recruited at the General Medicine inpatient units in Toronto, Ontario to wear the Fitbit® Charge 2 or Charge 3. Fifty General Medicine adult inpatients were recruited. Patients and nurses provided feedback on structured questionnaires. Key themes from open-ended questions were analyzed. Primary outcomes of interest included the exploring patient and nurse perceptions of their experiences with wearable devices as well as their feasibility in clinical settings. Overall, both patients (n = 39) and nurses (n = 28) valued the information provided by Fitbits and shared concerns about device functionality and wearable design. Specifically, patients were interested in using wearables to enhance their self-monitoring, while nurses questioned data validity, as well as ease of incorporating wearables into their workflow. We found that patients wanted improved device design and functionality and valued the opportunity to improve their self-efficacy and to work in partnership with the medical team using wearable technology. Nurses wanted more device functionality and validation and easier ways to incorporate them into their workflow. To achieve the potential benefits of using wearable devices for enhanced monitoring, this study identifies challenges that must first be addressed in order for this technology to be widely adopted in clinical settings.
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 | 0,001 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,217 | 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 ».