Understanding the barriers to adopting blockchain-based applications in healthcare: A risk perception perspective (Preprint)
Notice bibliographique
Résumé
BACKGROUND Traditional healthcare systems face security challenges that prevent them from ensuring medical data security. To overcome these challenges, healthcare organizations are turning to blockchain-based systems. Thanks to blockchain's characteristics, these applications provide high security in managing medical data and transactions. However, despite this advantage, healthcare organizations remain reluctant to adopt blockchain-based applications. This reluctance could be explained by the risks that healthcare organizations perceive regarding these applications. OBJECTIVE Our research aims to study the adoption of blockchain-based healthcare applications in healthcare organizations by adopting a risk-based approach. Through perceived risk theory (PRT), we built a research model that relates certain perceived risks of blockchain-based healthcare applications to the intention to adopt these applications. METHODS The research model was tested by collecting data from 194 IT professionals from 46 healthcare organizations in Canada and Africa. We used partial least squares structural equation modeling (PLS-SEM) to evaluate the hypothesized relationships of the research model. RESULTS Our study identified six dimensions of risk that are likely to influence the overall perceived risk regarding blockchain-based healthcare applications and, therefore, their adoption in healthcare organizations. Our study also showed that the association between the general perception of risks regarding blockchain-based healthcare applications and the intention to adopt them is significant in healthcare organizations in Canada but not in healthcare organizations in Africa. Moreover, our results indicate that the availability of cloud-based blockchain solutions reduces healthcare organizations’ risk perception regarding the lack of resources needed to adopt and use blockchain-based healthcare applications. CONCLUSIONS Our findings contribute to the literature by extending perceived risk theory (PRT), originally developed in marketing, through the integration of risks likely to prevent the adoption of blockchain in healthcare sector. This makes PRT more suitable for examining factors that may hinder the adoption of blockchain-based healthcare applications. Future research that focuses on analyzing the barriers to blockchain adoption in the healthcare sector will be able to use the extended PRT as a theoretical lens to develop its theoretical research model.
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 | 0,013 | 0,031 |
| 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 | 0,002 | 0,003 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| 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 ».