Health Care Practitioner Perceptions of Barriers and Enablers to Implementing Digital Health Technologies for Chronic Condition Self-Management in Primary Care Settings: A Scoping Review Protocol
Notice bibliographique
Résumé
Digital health technologies can be beneficial for the self-management of chronic conditions (Allegrante et al., 2019; Grady & Gough, 2014); which are highly prevalent in Canada and worldwide (Government of Canada, 2023; Vos et al., 2020). A high proportion of individuals living with chronic conditions seek treatment in primary care settings (Palsson et al., 2020), and members of this population have more primary care encounters than people without chronic conditions (Queenan et al., 2021). Thus, health care providers working in primary care may be well positioned to encourage people living with chronic conditions to use digital health technologies for self-management of their condition. Identification of barriers and enablers of implementation is an important step in translating knowledge to action and developing theory-informed implementation interventions (French et al., 2012; Graham et al., 2006). Ideally, this should include identification of factors that can impact initial implementation and those that may impact sustained implementation over time (Zurynski et al., 2023). The views of health care providers on integrating digital health technologies for self-management of chronic conditions into clinical practice can provide valuable insight into how to best support initial and sustained implementation of these tools in primary care settings. This scoping review seeks to identify the perceived barriers and enablers of implementing and sustaining implementation of digital health technologies for the self-management of chronic conditions, as reported by health care providers in primary care settings.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| 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 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 ».