Understanding Dermatologists’ Acceptance of Digital Health Interventions: Cross-Sectional Survey and Cluster Analysis
Notice bibliographique
Résumé
Background: Digital health interventions (DHIs) have the potential to enhance dermatological care by improving quality, patient empowerment, and efficiency. However, adoption remains limited, particularly in Germany. Objective: This study explores German dermatologists' attitudes toward DHIs, clustering them by acceptance levels and analyzing differences in sociodemographics and current and future DHI use. Methods: We conducted a cross-sectional survey, randomly inviting 1000 dermatologists in Germany to participate. The questionnaire consisted of Likert scale items rating the acceptability of DHIs from 1 to 5. Items on the current and future use of DHIs were also included. Exploratory factor analysis was used to identify factors and reduce data as input for a 2-step clustering algorithm. Results: The survey with 170 dermatologists (mean age 50.8, SD 10.3 y; 74/167, 55.7% female) identified four factors through the exploratory factor analysis: (1) "Positive Expectancies and Acceptability of DHIs," (2) "Dermatologists' Digital Competencies," (3) "Negative Expectancies and Barriers," and (4) "Dermatologists' Perspectives on Patients' Acceptability and Competencies." The analysis identified three distinct clusters: (1) Indecisives (n=69)-moderate intentions to use DHIs and moderate negative expectations toward them; (2) Adopters (n=60)-high intentions to use DHIs and high digital competencies; and (3) Rejectors (n=26)-low intentions to use DHIs and low digital competencies. Adopters were significantly younger, more often based in urban centers, and exhibited the highest adoption rates of DHIs compared to the other clusters. Across all clusters, inadequate reimbursement and perceived structural barriers were cited as significant challenges to DHI adoption. Still, only one-third of the Adopters used DHIs including teledermatology or artificial intelligence. Conclusions: Dermatologists in Germany exhibited varied levels of acceptance and readiness for DHIs, with demographic and structural factors influencing adoption. Addressing barriers such as reimbursement and investing in digital literacy could promote wider use, potentially reducing health inequalities by improving access to digital health 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 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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».