Health Care Professionals’ Perspectives on Technology Use in Urinary Care: Cross-Sectional Survey-Based Study
Notice bibliographique
Résumé
BACKGROUND: Urinary issues pose a significant burden on health care systems, necessitating innovative solutions to enhance patient care and alleviate the provider burden. OBJECTIVE: The objective of this study was to explore health care professionals' perceptions of urinary issues and assess their acceptance and readiness to adopt wearable and remote technologies for managing these conditions. The study aimed to identify the attributes and barriers influencing technology integration in clinical practice, using established theoretical frameworks, such as the Health Belief Model (HBM) and the Technology Acceptance Model (TAM). METHODS: A cross-sectional survey-based study was conducted. A structured survey questionnaire was administered online to a sample of 256 health care professionals recruited through social media and personal networks. The survey included both closed- and open-ended questions to gather data. Quantitative data were analyzed using descriptive statistics, Pearson correlation, and multiple regression. RESULTS: Quantitative analysis revealed strong correlations between belief agreement and factors such as health literacy (r=0.591, P<.001), the perceived burden (r=0.628, P<.001), device attributes (r=0.650, P<.001), and support services (r=0.622, P<.001). Multiple regression analysis identified that the perceived burden (β=.284, P=.01), device attributes (β=.371, P<.001), and integrating technology (β=.312, P<.001) are positively associated. The survey demonstrated strong internal consistency, with Cronbach α=.85, indicating high reliability in measuring health care professionals' perceptions of technology adoption. CONCLUSIONS: Health care professionals' acceptance of technology in managing urinary issues is influenced by factors such as the perceived burden, device attributes, and the ease of integrating technology into existing workflows. Addressing barriers to technology adoption, providing comprehensive training and support, and prioritizing user-centered design are crucial for successful technology integration. Future research should focus on longitudinal studies and explore the perspectives of patients and other stakeholders to gain a more holistic understanding of technology integration in urological 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 | 0,011 |
| 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 | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».