Exploring the perspectives of health care professionals on digital health technologies in pediatric care and rehabilitation
Notice bibliographique
Résumé
BACKGROUND: Digital health technologies are increasingly used by healthcare professionals working in pediatric hospital and rehabilitation settings. Multiple factors may affect the implementation and use of digital health technologies in these settings. However, such factors have not been identified in a multidisciplinary, pediatric context. The objective of this study was to describe actual use and to identify the factors that promote or hinder the intention to use digital health technologies (mobile learning applications, virtual/augmented reality, serious games, robotic devices, telehealth applications, computerized assessment tools, and wearables) among pediatric healthcare professionals. METHODS: An online survey evaluating opinions, current use, and future intentions to use digital health technologies was completed by 108 professionals at one of Canada's largest pediatric institutes. Mann-Whitney U tests were used to compare the attitudes of healthcare professionals who intend to increase their use of digital health technologies and those who do not. Linear regression analyses were used to determine predictors of usage success. RESULTS: Healthcare professionals reported mostly using mobile and tablet learning applications (n = 43, 38.1%), telehealth applications (n = 49, 43.4%), and computerized assessment tools (n = 33, 29.2%). Attitudes promoting the intention to increase the use of digital health technologies varied according to technology type. Healthcare professionals who wished to increase their use of digital health technologies reported a more positive attitude regarding benefits in clinical practice and patient care, but were also more critical of potential negative impacts on patient-professional relationships. Ease of use (β = 0.374; p = 0.020) was a significant predictor of more favorable usage success. The range of obstacles encountered was also a significant predictor (β = 0.342; p = 0.032) of less favorable evaluation of usage success. Specific factors that hinder successful usage are lack of training (β = 0.303; p = 0.033) and inadequate infrastructure (β = 0.342; p = 0.032). CONCLUSIONS: When working with children, incorporating digital health technologies can be effective for motivation and adherence. However, it is crucial to ensure these tools are implemented properly. The findings of this study underscore the importance of addressing training and infrastructure needs when elaborating technology-specific strategies for multidisciplinary adoption of digital health technologies in pediatric 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 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 | 0,007 | 0,014 |
| 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 | 0,003 | 0,003 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».