Therapies go digital. What drives physicians’ acceptance?
Notice bibliographique
Résumé
National healthcare systems face multiple challenges, including the increasing demand for care and decreasing availability of healthcare professionals. Digital health technologies represent opportunities that offer improved efficiency, accessibility, and patient care. In this scenario, Digital Therapeutics are technological advancements to treat or alleviate a disease and deliver a medical intervention with evidence-based therapeutic impacts and regulatory approval. Digital Therapeutics are a paradigm shift for physicians, who exercise caution in terms of trust and wide usage. Digital Therapeutics represents an opportunity and a challenge in healthcare system integration. The research investigates the factors explaining physicians' acceptance of Digital Therapeutics. A research model that combines organizational mechanisms derived from Institutional Theory and rational factors derived from the Technology Acceptance model was developed. The model was tested through 107 responses from a survey distributed to the members of the leading Italian scientific society in Diabetology. Literature-based hypotheses were empirically tested through Structural Equation Modelling. The analysis confirmed the influence of Perceived Ease of Use on Perceived Usefulness and Perceived Usefulness on the Intention To Use Digital Therapeutics. Rules and norms impact Perceived Usefulness when considering the influence of the scientific society. Culture and mindset towards innovation within the hospital positively affect Perceived Ease of Use. The readiness of hospital facilities enhances the extent to which physicians perceive the ease of employing Digital Therapeutics in their daily practice. Instead, esteemed colleagues' opinions and guidelines from the scientific society reveal to physicians the value of Digital Therapeutics in patients' care pathways. Institutions should prioritize cultural, normative, and regulative aspects to accelerate physicians' endorsement of Digital Therapeutics. Findings advance the theoretical knowledge around clinicians' adoption of innovative digital health technologies, unveiling the interaction between rational and institutional factors. The results highlight practical implications for healthcare institutions and Digital Therapeutics manufacturers willing to promote their adoption.
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 | 0,010 | 0,127 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».