Digital health technology adoption factors: a rapid review of systematic reviews and checklist development
Notice bibliographique
Résumé
Objective This rapid review of systematic reviews aimed to synthesize the adoption factors of digital health technologies (DHTs).Methods A reference search was performed on MEDLINE, EMBASE, CINAHL, PsychInfo, PubMed, EBM Review, Web of Science, Scopus, PROSPERO and Google Scholar to search systematic reviews published in the last three years. Study selection was conducted following the PRISMA guidelines. The methodological quality of the included systematic reviews was assessed with the AMSTAR 2 tool. The identified adoption factors were classified using the Nonadoption, Abandonment, Scale-Up, Spread, and Sustainability (NASSS) framework, in which the self-determination factors were integrated.Results Out of 4277 identified references, 45 systematic reviews were retained. The quality of most included systematic reviews, assessed by AMSTAR 2, was critically low. The most cited adoption factors included DHT’s ease of use, training for using DHT, adopters’ access to DHT and a high-speed internet connection, technical support, DHT’s customizability, the relevance and reliability of DHT data, the demand-side value of DHT (desirability), safety, cost-effectiveness, staff and patient competence, patient relatedness with others, organizational readiness, necessary changes in team routines, capacity for innovation, along with the political, economic, regulatory and sociocultural contexts. Integrating the findings of this rapid review, a DHT adoption checklist was elaborated. This checklist would aid future developers and implementers of DHT in successfully adopting the technology.Conclusions This review synthesized the DHT adoption factors using the NASSS framework and Self-Determination Theory. When developing or implementing a DHT, the micro-, meso- and macro-level adoption factors must be considered.
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 | 0,004 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».