Using Theory-Based Frameworks to Identify Barriers, Facilitators, Expectations, and Willingness to Pay for Online Medical Consultation Services in China: Qualitative Study.
پخش حرفهای فارسی و انگلیسی
در حال بررسی نسخههای صوتی ذخیرهشده…
تنظیم صدای طبیعی و سرعت
صداهایی که در نامشان «Natural»، «Neural» یا «Online» دیده میشود معمولاً طبیعیترند. انتخاب صدا به صداهای نصبشده در ویندوز و مرورگر شما بستگی دارد.
چکیده اصلی
BACKGROUND: Online medical consultation (OMC) services have gained considerable attention as an integral component of telemedicine. Recently, AI has been increasingly integrated into OMC platforms, facilitating more efficient consultations and clinical decision-making. AI-driven OMC services can provide preliminary triage, medication guidance, and diagnostics for multiple medical conditions. Despite the availability and potential benefits of AI-driven OMC services, public acceptance and willingness to pay (WTP) for these services remain low. OBJECTIVE: This study aimed to identify perceived barriers, facilitators, expectations, and factors shaping public acceptance of and stated WTP for AI-driven OMC services. METHODS: We conducted semistructured qualitative interviews with patients, caregivers, and health care professionals to explore barriers, facilitators, expectations, and factors shaping public acceptance of and stated WTP for AI-driven OMC services. The study was informed by the theories of perceived risk and perceived benefit, which guided the development of the interview guide. All interviews were audio-recorded and transcribed verbatim. Data were analyzed using NVivo (version 15; Lumivero) with deductive thematic analysis guided by these theories. Coding was conducted independently and cross-checked by 2 researchers to ensure credibility and consistency. RESULTS: Thematic analysis of 20 in-depth interviews identified 2 main themes and 11 subthemes. Perceived risks and perceived benefits emerged as 2 key perspectives influencing participants' acceptance and WTP. Psychological, governance, social, functional, health, and financial risks reduced acceptance, whereas convenience, diversity, reliability, efficiency, and educational benefits promoted it. Participants' self-reported WTP ranged from RMB 0 to RMB 200 (US $0-$27.28; RMB 1=US $0.1364 as of January 15, 2025), with participants who had prior experience with OMC generally reporting higher values than those without prior OMC experience. CONCLUSIONS: This study identified facilitators and barriers influencing public acceptance of and WTP for AI-driven OMC services using theoretical constructs. Our findings offer valuable insights into the development and refinement of AI-driven OMC services, enabling more targeted pricing strategies and tailored services that address public preferences and concerns, as well as supporting the development of standardized regulatory governance for digital medical consultation platforms.
نتیجه فارسی
این مطالعه کیفی با مصاحبه با بیماران، مراقبان و متخصصان سلامت، موانع و تسهیلگرهای پذیرش خدمات مشاوره پزشکی آنلاین مبتنی بر هوش مصنوعی را بررسی کرد. نتایج نشان داد که ریسکهای شناختی، حاکمیتی، اجتماعی، عملکردی، سلامتی و مالی پذیرش را کاهش میدهند، در حالی که مزایای راحتی، تنوع، اعتماد، کارایی و آموزش آن را افزایش میدهند. میزان تمایل به پرداخت گزارش شده بین ۰ تا ۲۰۰ یوان چین متغیر بود.
- موانع و تسهیلگرهای پذیرش خدمات OMC مبتنی بر هوش مصنوعی شناسایی شدند.
- مزایای آموزشی و کارایی پذیرش را افزایش دادند.
- ریسکهای مالی و حاکمیتی پذیرش را کاهش دادند.
- میزان تمایل به پرداخت گزارش شده بین ۰ تا ۲۰۰ یوان چین ranged بود.
- تجربه قبلی با OMC تمایل به پرداخت بالاتری را نشان داد.
ترجمه فارسی چکیده
خدمات مشاوره پزشکی آنلاین (OMC) به عنوان یک جزء کلیدی تکنولوژی پزشکی از راه دور توجه زیادی را به خود جلب کرده است. اخیراً هوش مصنوعی به طور فزایندهای در پلتفرمهای OMC ادغام شده است. با وجود این، پذیرش عمومی و میزان تمایل به پرداخت (WTP) برای این خدمات همچنان پایین است. این مطالعه با هدف شناسایی موانع، تسهیلگرها، انتظارات و عوامل شکلدهنده پذیرش عمومی و WTP اعلامی برای خدمات OMC مبتنی بر هوش مصنوعی انجام شد. دادهها با استفاده از تحلیل موضوعی استنتاجی در نویوو (نسخه ۱۵) تحلیل شدند. تحلیل موضوعی ۲۰ مصاحبه عمیق، دو موضوع اصلی و ۱۱ زیرموضوع شناسایی کرد. تمایل به پرداخت گزارش شده از ۰ تا ۲۰۰ یوان چین (حدود ۰ تا ۲۷.۲۸ دلار) ranged بود. این مطالعه یافتههایی را برای توسعه خدمات OMC مبتنی بر هوش مصنوعی ارائه میدهد.
روش پژوهش
این مطالعه کیفی با مصاحبههای نیمهساختاریافته با بیماران، مراقبان و متخصصان سلامت انجام شد. تحلیل دادهها با استفاده از نویوو (نسخه ۱۵) و تحلیل موضوعی استنتاجی مبتنی بر نظریههای ریسک و مزیت شناختی انجام شد.
محدودیتها
محدودیتهای این مطالعه در متن ارائه نشده است.
نمای PICO و پیامدها
- جمعیت
- بیماران، مراقبان و متخصصان سلامت در چین
- مداخله/مواجهه
- خدمات مشاوره پزشکی آنلاین مبتنی بر هوش مصنوعی
- مقایسه
- ندارد
- حجم نمونه
- ۲۰ مصاحبه عمیق
متن کامل اصلی
لینک مستقیم از metadata منبع گرفته شده و در تب جدید باز میشود.
باز کردن متن کامل