Exploring Acceptability, Barriers, and Facilitators for Digital Health in Dermatology: Qualitative Focus Groups With Dermatologists, Nurses, and Patients
Notice bibliographique
Résumé
BACKGROUND: Although several digital health interventions (DHIs) have shown promise in the care of skin diseases their uptake in Germany has been limited. To fully understand the reasons for the low uptake, an in-depth analysis of patients' and health care providers' barriers and facilitators in dermatology is needed. OBJECTIVE: The objective of this study was to explore and compare attitudes, acceptability, barriers, and facilitators of patients, dermatologists, and nurses toward DHIs in dermatology. METHODS: We conducted 6 web-based focus groups each with patients (n=34), dermatologists (n=30), and nurses (n=30) using a semistructured interview guide with short descriptions of DHIs described in the literature. A content analysis was performed using deductive constructs, following the unified theory of acceptance and use of technology framework, and inductive categories. RESULTS: Patients identified many positive performance expectancies, such as reduced travel times and improvement in follow-up appointments. Dermatologists also stated positive effects (eg, promotion of standardized care), but also negative implications of health care digitalization (eg, increased workload). All stakeholders reported that a DHI should bring additional value to all stakeholders. A lack of digital competence among patients was identified as the major barrier to adoption by all 3 groups. Nurses and dermatologists want apps that are easy to use and easy to implement into their daily routines. Trust in selected institutions, colleagues, and physicians was identified as a facilitator. Patients reported their dependence on the dermatologists' acceptance. All groups expressed concerns about data privacy risks and dermatologists stated insecurities toward data privacy laws. CONCLUSIONS: To ensure successful digitalization in dermatology, apps should be user-friendly, adapted to users' skill levels, and beneficial for all stakeholders. The incorporation of dermatologists' perspectives is especially important as their acceptance may impact use among patients and nurses. DHIs should ensure and be transparent about data privacy. The found barriers and facilitators can be used for implementation strategies.
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 | 0,022 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,005 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».