Digital Health in Saudi Arabia: A Descriptive Study of User Perspectives, Adoption Rates, Benefits, and Challenges of Digital Health Applications
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: Digital health applications have emerged as transformative tools within healthcare systems globally. This study investigates the perceptions, adoption, perceived benefits and challenges, and factors involved in the selection of digital health apps among the residents of Riyadh city, Saudi Arabia. Methodology: A cross-sectional study was conducted using a validated, self-administered online questionnaire targeting residents of Riyadh aged 18 years and older. A total of 444 participants were recruited through convenience sampling via social media platforms. Results: Among the respondents, 90% reported using digital health applications, with Sehhaty being the most commonly used. Over 75% rated these applications as effective in improving quality of life (QoL). Key benefits included improved healthcare access, appointment booking, health awareness, and time efficiency. Fitness tracking was the most used app category (57.2%). Despite positive perceptions, 22% reported challenges, including technical difficulties and limited app compatibility. Ease of use was the most important factor (92.1%) when choosing a health app. Conclusion: Digital health applications have been widely adopted in Riyadh and are perceived to enhance QoL through improved access, convenience, and personal health management. The findings highlight strong user satisfaction and a growing interest in preventive care. Expanding digital health features, enhancing awareness, and integrating AI-based tools are recommended to further support health outcomes and national digital health goals.
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.
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 | 0,010 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle