Provider Adoption of mHealth in Rural Patient Care: Web-Based Survey Study
Notice bibliographique
Résumé
BACKGROUND: Physicians and patient-facing caregivers have increasingly used mobile health (mHealth) technologies in the past several years, accelerating during the COVID-19 pandemic. However, barriers and feedback surrounding adoption remain relatively understudied and varied across health systems, particularly in rural areas. OBJECTIVE: This study aims to identify provider adoption, attitudes, and barriers toward mHealth in a large, multisite, rural US health care system. We investigated (1) mHealth apps that providers use for their own benefit and (2) mHealth apps that a provider uses in conjunction with a patient. METHODS: We surveyed all patient-seeing providers within the Marshfield Clinic Health System with a brief, 16-item, web-based survey assessing attitudes toward mHealth, adoption of these technologies, and perceived barriers faced by providers, their peers, and the institution. Survey results were summarized via descriptive statistics, with log-binomial regression and accompanying pairwise analyses, using Kruskal-Wallis and Jonckheere-Terpstra tests for significance, respectively. Respondents were grouped by reported clinical role and specialty. RESULTS: We received a 38% (n/N=916/2410) response rate, with 60.7% (n=556) of those sufficiently complete for analyses. Roughly 54.1% (n=301) of respondents reported mHealth use, primarily around decision-making and supplemental information, with use differing based on provider role and years of experience. Self-reported barriers to using mHealth included a lack of knowledge and time to study mHealth technologies. Providers also reported concerns about patients' internet access and the complexity of mHealth apps to adequately use mHealth technologies. Providers believed the health system's barriers were largely privacy, confidentiality, and legal review concerns. CONCLUSIONS: These findings echo similar studies in other health systems, surrounding providers' lack of time and concerns over privacy and confidentiality of patient data. Providers emphasized concerns over the complexity of these technologies for their patients and concerns over patients' internet access to fully use mHealth in their delivery of care.
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 | 0,000 |
| 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 | 0,000 | 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 ».