Patient-Related Barriers to Digital Technology Adoption in Alzheimer Disease: Systematic Review
Notice bibliographique
Résumé
Background: Digital technology in dementia is an area of great development with varying experiences across countries. However, novel digital solutions often lack a patient-oriented perspective, and several relevant barriers prevent their use in clinics. Objective: In this study, we reviewed the existing literature on knowledge, familiarity, and competence in using digital technology and on attitude and experiences with digital tools in Alzheimer disease. The main research question is whether digital competence and attitudes of patients and caregivers may affect the adoption of digital technology. Methods: Following the PRISMA guidelines, a literature search was conducted by two researchers in the group. Inter-rater reliability was calculated with Cohen κ statistics. The risk of bias assessment was also recorded. Results: Of 597 initial records, only 18 papers were considered eligible. Analyses of inter-rater reliability showed good agreement levels. Significant heterogeneity in study design, sample features, and measurement tools emerged across studies. Quality assessment showed a middle-high overall quality of evidence. The main factors affecting the adoption of digital technology in patients and caregivers are severity of cognitive deficits, timing of adoption, and the availability of training and support. Additional factors are age, type of digital device, and ease of use of the digital solution. Conclusions: Adoption of digital technology in dementia is hampered by many patient-related barriers. Improving digital competence in patient-caregiver dyads and implementing systematic, patient-oriented strategies for the development and use of digital tools are needed for a successful incorporation of digital technology in memory clinics.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 ».