دوره 9، شماره 4 - ( زمستان 1402 )
جلد 9 شماره 4 صفحات 381-370 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Hayavi M H H, Alipour J, Dehghani M. Factors Affecting the Acceptance of Cloud Computing in Hospitals in Southern Iran Based on the Unified Theory of Acceptance and Use of Technology. JMIS 2024; 9 (4) :370-381
URL: http://jmis.hums.ac.ir/article-1-465-fa.html
URL: http://jmis.hums.ac.ir/article-1-465-fa.html
حیوی حقیقی محمد حسین، علیپور جهانپور، دهقانی محمد. عوامل مؤثر بر پذیرش رایانش ابری در بیمارستان: مطالعه ای مبتنی بر نظریه یکپارچه پذیرش و استفاده از تکنولوژی. اطلاع‌رسانی پزشکی نوین. 1402; 9 (4) :370-381
گروه علوم پایه پزشکی، دانشکده پزشکی، دانشگاه علوم‌پزشکی خمین، خمین، ایران.
متن کامل [PDF 2232 kb]
(801 دریافت)
| چکیده (HTML) (1151 مشاهده)
بحث
از آن‌جا که پذیرش یک فناوری توسط کاربران به موفقیت آن می‌انجامد، در این مطالعه عوامل مؤثر بر پذیرش این فناوری از سوی کارکنان بیمارستانی بررسی شده است. یافته‌های این مطالعه نیز نشان داد انتظار عملکرد، انتظار تلاش، شرایط اجتماعی و شرایط تسهیلکننده بر قصد استفاده از فناوری رایانش ابری و میزان استفاده تأثیرگذار است.
یافته‌های این مطالعه نشان داد میزان انتظار عملکرد مانند سایر ابعاد زمینه‌ای می‌تواند بر قصد استفاده و استفاده در عمل از رایانش ابری تأثیر مستقیم و معناداری داشته باشد. انتظار عملکرد نشان می‌دهد یک فناوری به‌روز و سودمند است و باعث می‌شود بهره‌وری فعالیت‌های سازمان افزایش یابد و کارها سریع‌تر انجام شود [26].
مطالعه دیگری نیز رابطه مستقیم و معنادار انتظار عملکرد را بر قصد استفاده از رایانش ابری در بیمارستان نشان می‌دهد [31]. قصد استفاده به میزان احتمال استفاده از فناوری توسط فرد گفته می‌شود و بیانگر شدت قصد و اراده فردی برای استفاده از فناوری است. به‌طور کلی، هرگاه کیفیت خدمات ارائه‌شده توسط رایانش ابری در بیمارستان‌ها افزایش پیدا کند، میزان تمایل کارکنان برای استفاده از این فناوری افزایش می‌یابد [32]. باید توجه داشت که هدف از به‌کارگیری فناوری‌های نوین در سازمان‌های مراقبت سلامت، افزایش سرعت و بهره‌وری در انجام اقدامات و وظایف است و در صورتی که این امر محقق نشود، باعث نارضایتی کارکنان و عدم پذیرش فناوری می‌شود.
انتظار تلاش به معنای روشن و قابل درک بودن فناوری، ساده بودن، یادگیری آسان و شرایط استفاده راحت از یک فناوری است [33]. در این مطالعه، رابطه معنادار و مستقیمی بین انتظار تلاش با قصد استفاده و استفاده در عمل به دست آمد. مطالعات مشابهی نیز نشان داده است انتظار تلاش، تأثیر مستقیم و معناداری بر پذیرش فناوری ابر دارد [34، 35].
فناوری رایانش ابری جزو فناوری‌های نوین است و پیچیدگی‌های فنی دارد، اما هنگام طراحی نرم‌افزارها باید این پیچیدگی‌ها حذف شوند. کارکنان سازمان‌های مراقبت سلامت به دلیل حجم کاری بالا و دانش پایین در حوزه فناوری اطلاعات نیاز به نرم‌افزارها و سیستم‌های اطلاعاتی دارند که یادگیری و استفاده از آن‌ها آسان و ساده باشد. یکی از بهترین راه‌ها برای کاربردی بودن و ساده‌سازی نرم‌افزارهای مرتبط با رایانش ابری مشارکت کاربران نهایی مانند پرستاران در مرحله طراحی و پیاده‌سازی این نرم‌افزارهاست.
شرایط اجتماعی نشان‌دهنده فشار اجتماعی درک‌شده توسط فرد برای استفاده از فناوری و همچنین حمایت سازمانی و حمایت مدیران ارشد است [36]. در این مطالعه مشخص شد که شرایط اجتماعی حاکم بر بیمارستان تأثیر مستقیم و معناداری بر میزان قصد استفاده و استفاده در عمل فناوری رایانش ابری دارد. نتایج مطالعات قبلی درباره تأثیر شرایط اجتماعی بر قصد استفاده متناقض است، در حالی که یک مطالعه نشان داده است که شرایط اجتماعی می‌تواند تأثیر مستقیم و معناداری در قصد استفاده و میزان استفاده پرستاران از فناوری‌های نوین داشته باشد [37]، اما مطالعه دیگری نشان داد شرایط اجتماعی تأثیری بر قصد استفاده از یک فناوری ندارد [38].
یکی از راه‌های ایجاد شرایط اجتماعی خوب در سازمان مراقبت سلامت، استفاده مدیران ارشد از فناوری‌های نوین است. استفاده مدیران از فناوری ابری علاوه بر ایجاد انگیزش در کارکنان باعث می‌شود تا حمایت‌های سازمانی لازم برای به‌کارگیری فناوری در سازمان ایجاد شود. پذیرش فناوری توسط مدیران سازمان‌های مراقبت سلامت باعث می‌شود عوامل تسهیلکننده پذیرش فناوری به راحتی در سازمان قابل دسترس باشند.
در این مطالعه، شرایط تسهیلکننده کمترین امتیاز را در بین همه ابعاد به خود اختصاص داد و در عین حال، ارتباط مستقیم و معناداری با قصد استفاده و میزان استفاده از رایانش ابری داشت. شرایط تسهیلکننده درجه‌ای است که یک فرد اعتقاد دارد یک سازمان زیر‌بنای فنی لازم برای حمایت از فناوری مورد نظر را دارد [30]. شرایط تسهیلکننده شامل وجود امکانات ضروری، آگاهی و دانش، سازگاری با سایر سیستم‌ها و دسترسی به گروه پشتیبان است [39].
شرایط تسهیلکننده رابطه مستقیم و معناداری با قصد استفاده از رایانش ابری داشت [40]. وجود دانش، آگاهی و زیرساخت مناسب تأثیر مستقیم و معناداری بر میزان قصد استفاده کارکنان از رایانش ابری در بیمارستان دارد [31]. شرایط تسهیلکننده نقش مهمی در پذیرش فناوری‌های نوین در سازمان‌های مراقبت بهداشتی و درمانی دارد. برای مثال، عدم یکپارچگی رایانش ابری با سایر سیستم‌های اطلاعات بالینی می‌تواند باعث افزایش حجم کاری، سردرگمی کارکنان و کاهش کیفیت اطلاعات شود. آموزش کارکنان از دیگر موارد مهمی است که علاوه بر تسهیل در استفاده از رایانش ابری باعث می‌شود نگرش و آگاهی آنان نسبت به این فناوری بهبود یابد.
از آن‌جا که این داده‌ها بر اساس ادراک و آگاهی شرکت‌کنندگان در مطالعه جمع‌آوری شده است، ممکن است انعکاس‌دهنده واقعیت‌های موجود در محیط پژوهش نباشد، البته داده‌ها از لحاظ آماری کیفیت خوبی داشته و پژوهشگران بر این باور هستند که به دلیل انتخاب تصادفی شرکت‌کنندگان در مطالعه و حجم نمونه کافی، این موضوع بر یافته‌ها تأثیر منفی ندارد.
این مطالعه نشان داد درک کارکنان سازمان‌های مراقبت بهداشتی و درمانی نسبت به سودمندی (انتظار عملکرد) رایانش ابری می‌تواند بر تمایل استفاده و استفاده آن‌ها از این فناوری تأثیر بگذارد. یافته‌های این مطالعه آشکار کرد که طراحی رایانش ابری به نحوی که یادگیری و استفاده از آن برای کارکنان مراقبت بهداشتی آسان باشد (انتظار تلاش)، باعث پذیرش و موفقیت آن می‌شود.
شرایط حاکم بر سازمان (شرایط اجتماعی)، مانند حمایت مدیران ارشد و فرهنگ سازمانی باعث پذیرش بیشتر این فناوری در بیمارستان‌ها می‌شود. آگاهی، دانش و وجود زیرساختهای لازم (شرایط تسهیلکننده)، از جمله عوامل کلیدی مؤثر در پذیرش فناوری رایانش ابری توسط کارکنان مراقبت سلامت است.
ملاحظات اخلاقی
پیروی از اصول اخلاق پژوهش
این مطالعه در کمیته اخلاق دانشگاه علوم‌پزشکی هرمزگان با شماره IR.HUMS.REC. 1398.285 به تأیید رسیده است. در تمام مراحل این مطالعه، اعلامیه 1964هلسینکی و اصلاحات بعدی آن در نظر گرفته شده است.
حامی مالی
این مطالعه در چارچوب طرح تحقیقاتی شماره 980067 دانشگاه علوم‌پزشکی هرمزگان انجام شده است.
مشارکت نویسندگان
مفهوم‌سازی: محمدحسین حیوی حقیقی و محمد دهقانی؛ روش‌شناسی، اعتبار‌سنجی، تحلیل، تحقیق و بررسی، نگارش پیش‌نویس، ویراستاری و نهایی‌سازی نوشته: همه نویسندگان؛ منابع: محمددهقانی؛ مدیریت پروژه: محمدحسین حیوی حقیقی
تعارض منافع
بنابر اظهار نویسندگان، این مقاله تعارض منافع ندارد.
تشکر و قدردانی
از کلیه پرسنل بیمارستان‌های آموزشی دانشگاه علوم‌پزشکی هرمزگان که با تکمیل پرسش‌نامه به انجام این مطالعه کمک کردند کمال تشکر به عمل می‌آید.
References
1.Khadija Z, Omar A. The effect of information technology on the recruitment process in healthcare organization in Makkah city. Glob J Health Sci. 2019; 11(2):123-41. [DOI:10.5539/gjhs.v11n2p123]
2.Randall D, Goel P, Abujamra R. Blockchain applications and use cases in health information technology. J Health Med Inf. 2017; 8(3):1-17. [DOI:10.4172/2157-7420.1000276]
3.Bo L, Chen X, Xia X. Research and design of intelligent signs detection terminal in nursing information system based on cloud computing. Int J Simul Syst Sci Technol. 2016; 17(22):16.1-5. [Link]
4.Harfoushi O, Akhorshaideh AH, Aqqad N, Al Janini M, Obiedat R. Factors affecting the intention of adopting cloud computing in jordanian hospitals. Commun Netw. 2016; 8(2):88-101. [DOI:10.4236/cn.2016.82010]
5.Nuo W, Shu ML, Yang YY, Yang M, Zhang CQ. Intelligent health perception system based on cloud computing. Paper presented at: 2015 International Conference on Computational Intelligence and Communication Networks (CICN). 14 December 2015; Jabalpur, India. [Link]
6.Radwan T, Azer MA, Abdelbaki N. Cloud computing security: Challenges and future trends. Int J Comput Appl Technol. 2017; 55(2):158-72. [DOI:10.1504/IJCAT.2017.082865]
7.Wang L, Ma Y, Yan J, Chang V, Zomaya AY. Pipscloud: High performance cloud computing for remote sensing big data management and processing. Future Gener Comput Syst. 2018; 78:353-68. [DOI:10.1016/j.future.2016.06.009]
8.Hayes G, El-Khatib K, McGregor C. Supporting health informatics with platform-as-a-service cloud computing, In: Huang YM, Chao HC, Deng DJ, Park JJ, editors. Advanced technologies, embedded and multimedia for human-centric computing. Dordrecht: Springer; 2014. [DOI:10.1007/978-94-007-7262-5_131]
9.Daman R, Tripathi MM, Mishra SK. Security issues in cloud computing for healthcare. Paper presented at: 2016 3rd International Conference on Computing for Sustainable Global Development (INDIACom). 18 March 2016; New Delhi, India. [Link]
10.Goli-Malekabadi Z, Sargolzaei-Javan M, Akbari MK. An effective model for store and retrieve big health data in cloud computing. Comput Methods Programs Biomed. 2016; 132:75-82. [DOI:10.1016/j.cmpb.2016.04.016] [PMID]
11.Kalaiselvi R, Kousalya K, Varshaa R, Suganya M. Enhanced secure sharing of personal health records in cloud computing. Gazi Univ J Sci. 2016; 29(3):583-91. [Link]
12.Thingom C, Yeon G. An integration of big data and cloud computing, In: Chandra Satapathy S, Bhateja V, Joshi A, editors. Proceedings of the international conference on data engineering and communication technology. New York: Springer; 2017. [DOI:10.1007/978-981-10-1678-3_70]
13.Otomo M, Hashimoto K, Uchida N, Shibata Y. Mobile cloud computing usage for onboard vehicle servers in collecting disaster data information. in 2017 IEEE 8th International Conference on Awareness Science and Technology (iCAST). 10 November 2017; Taichung, Taiwan. [DOI:10.1109/ICAwST.2017.8256504]
14.Rajabion L, Shaltooki AA, Taghikhah M, Ghasemi A, Badfar A. Healthcare big data processing mechanisms: The role of cloud computing. Int J Inf Manag. 2019; 49:271-89. [DOI:10.1016/j.ijinfomgt.2019.05.017]
15.Ratnam KA, Dominic PDD. The factors associating the adoption of cloud computing: an enhancement of the healthcare ecosystem in Malaysia. Int J Bus Inform Syst. 2014; 16(4):462-79. [DOI:10.1504/IJBIS.2014.063932]
16.Kadhum AM, Hasan MK. Assessing the determinants of cloud computing services for utilizing health information systems: A case study. Int J Adv Sci Eng Inf Technol. 2017; 7(2):503-10. [DOI:10.18517/ijaseit.7.2.1814]
17.Sadoughi F, Erfannia L. Health information system in a cloud computing context. Stud Health Technol Inform. 2017; 236:290-7. [PMID]
18.Birje MN, Challagidad PS, Goudar RH, Tapale MT. Cloud computing review: Concepts, technology, challenges and security. Int J Cloud Comput. 2017; 6(1):32-57. [DOI:10.1504/IJCC.2017.083905]
19.Alipour J, Mehdipour Y, Karimi A, Sharifian R. Affecting factors of cloud computing adoption in public hospitals affiliated with Zahedan University of Medical Sciences: A cross-sectional study in the Southeast of Iran. Digit Health. 2021; 7:20552076211033428.[DOI:10.1177/20552076211033428] [PMID] [PMCID]
20.Morgan L, Conboy K. Factors affecting the adoption of cloud computing: an exploratory study. Paper presented at: 21st European Conference on Information Systems 2013 (ECIS). 8 June 2013; Utrecht, Netherlands. [Link]
21.Oliveira T, Thomas M, Espadanal M. Assessing the determinants of cloud computing adoption: An analysis of the manufacturing and services sectors. Inform Manag. 2014; 51(5):497-510. [DOI:10.1016/j.im.2014.03.006]
22.Yaghoubi NM, Shukuhy J, Jafari HR. Identifying and ranking key factors influencing the adoption of cloud computing in electronic health. Iran J Inf Process Manag. 2015; 30(2):553-76. [DOI:10.35050/JIPM010.2015.047]
23.Rahimi B, Nadri H, Lotfnezhad Afshar H, Timpka T. A systematic review of the technology acceptance model in health informatics. Appl Clin Inform. 2018; 9(3):604-34. [DOI:10.1055/s-0038-1668091] [PMID] [PMCID]
24.Hosseini Teshnizi S, Hayavi Haghighi MH, Alipour J. Evaluation of health information systems with ISO 9241-10 standard: A systematic review and meta-analysis. Inf Med Unlocked. 2021; 25:100639. [DOI:10.1016/j.imu.2021.100639]
25.Alipour J, Mehdipour Y, Karimi A. Factors affecting acceptance of hospital information systems in public hospitals of Zahedan University of Medical Sciences: A cross-sectional study. J Med Life. 2019; 12(4):403-10. [DOI:10.25122/jml-2019-0064] [PMID] [PMCID]
26.Ammenwerth E. Technology acceptance models in health informatics: TAM and UTAUT. Stud Health Technol Inform. 2019; 263:64-71. [DOI:10.3233/SHTI190111] [PMID]
27.Rahman MM, Lesch MF, Horrey WJ, Strawderman L. Assessing the utility of TAM, TPB, and UTAUT for advanced driver assistance systems. Accid Anal Prev. 2017; 108:361-73. [DOI:10.1016/j.aap.2017.09.011] [PMID]
28.Mugo DG, Njagi K, Chemwei B, Ochwagi Motany J. The technology acceptance model (TAM) and its application to the utilization of mobile learning technologies. Br J Math Comput Sci. 2017; 20(4):1-8. [DOI:10.9734/BJMCS/2017/29015]
29.Venkatesh V. Adoption and use of AI tools: A research agenda grounded in UTAUT. Ann Oper Res. 2022; 308:641–52. [DOI:10.1007/s10479-020-03918-9]
30.Jewer J. Patients' intention to use online postings of ED wait times: A modified UTAUT model. Int J Med Inform. 2018; 112:34-9. [DOI:10.1016/j.ijmedinf.2018.01.008] [PMID]
31.Idoga PE, Toycan M, Nadiri H, Çelebi E. Assessing factors militating against the acceptance and successful implementation of a cloud based health center from the healthcare professionals' perspective: A survey of hospitals in Benue state, Northcentral Nigeria. BMC Med Inform Decis Mak. 2019; 19(1):34. [DOI:10.1186/s12911-019-0751-x] [PMID] [PMCID]
32.Lian JW. Establishing a cloud computing success model for hospitals in Taiwan. Inquiry. 2017; 54:46958016685836. [DOI:10.1177/0046958016685836] [PMID] [PMCID]
33.Fuad A, Hsu CY. UTAUT for HSS: Initial framework to study health IT adoption in the developing countries. F1000Res. 2018; 7:101. [DOI:10.12688/f1000research.13798.1] [PMID] [PMCID]
34.Moryson H, Moeser G. Consumer adoption of cloud computing services in germany: Investigation of moderating effects by applying an UTAUT model. Int J Mark Stud. 2016. 8(1):14-32. [DOI:10.5539/ijms.v8n1p14]
35.Alharbi S. An extended UTAUT model for understanding of the effect of trust on users’ acceptance of cloud computing. Int J Comput Appl Technol. 2017; 56(1):65-76. [DOI:10.1504/IJCAT.2017.086562]
36.Hoque R, Sorwar G. Understanding factors influencing the adoption of mHealth by the elderly: An extension of the UTAUT model. Int J Med Inform. 2017; 101:75-84. [DOI:10.1016/j.ijmedinf.2017.02.002] [PMID]
37.Zhou LL, Owusu-Marfo J, Asante Antwi H, Antwi MO, Kachie ADT, Ampon-Wireko S. Assessment of the social influence and facilitating conditions that support nurses' adoption of hospital electronic information management systems (HEIMS) in Ghana using the unified theory of acceptance and use of technology (UTAUT) model. BMC Med Inform Decis Mak. 2019; 19(1):230. [DOI:10.1186/s12911-019-0956-z] [PMID] [PMCID]
38.Bracq MS, Michinov E, Arnaldi B, Caillaud B, Gibaud B, Gouranton V, et al. Learning procedural skills with a virtual reality simulator: An acceptability study. Nurse Educ Today. 2019; 79:153-60. [DOI:10.1016/j.nedt.2019.05.026] [PMID]
39.Shachak A, Kuziemsky C, Petersen C. Beyond TAM and UTAUT: Future directions for HIT implementation research. J Biomed Inform. 2019; 100:103315. [DOI:10.1016/j.jbi.2019.103315] [PMID]
40.Kayali M, Alaaraj S. Adoption of cloud based E-learning in developing countries: A combination A of DOI, TAM and UTAUT. Int J Contemp Manag Inf Technol. 2020; 1(1):1-7. [Link]
متن کامل: (662 مشاهده)
مقدمه
امروزه استفاده از فناوری‌های اطلاعات موجب ارتقای اثربخشی کسب‌و‌کار و ایجاد مزیت‌هایی برای سازمان‌های مراقبت سلامت شده است [1]. از سوی دیگر، از آن‌جا که صنعت مراقبت سلامت با چالش‌های جدی مواجه است، ارائه‌دهندگان مراقبت سلامت ناگزیر به استفاده از فناوری‌های اطلاعات برای رویارویی با این مشکلات هستند [2]. در دهه گذشته رایانش ابری تا حد زیادی در حوزه فناوری اطلاعات سلامت گسترش یافته است [3] و منجر به تسهیل پذیرش فناوری‌های اطلاعات استفاده‌شده در حوزه سلامت و به خصوص پذیرش پرونده الکترونیک سلامت شده است [4].
یکی از فناوری‌های نوین به کار گرفته‌شده در سازمان‌های مراقبت بهداشتی، رایانش ابری است که هزینه پردازش داده‌های حوزه سلامت را از طریق ارتقای اعتبار، انعطاف‌پذیری، دسترس‌پذیری و توان عملیاتی پردازش کاهش می‌دهد [4]. این فناوری قابلیت مجازی‌سازی و محاسبات مبتنی بر شبکه را برای ارائه خدمات مختلف دارد [5]. این خدمات بر اساس تقاضای کاربر و از طریق شبکه‌های عمومی، گروهی، خصوصی یا ترکیبی از این شبکه‌ها ارائه می‌شود [6]. یکی از مزایای این فناوری، ذخیره‌سازی پویای محاسبات و مدیریت داده‌ها از طریق اینترنت و بر حسب نیاز کاربر است [7].
بیمارستان‌ها از یک سو، با حجم زیادی از داده‌ها و در قالب‌های مختلف متن، تصویر و صدا سروکار دارند و از سوی دیگر، با ضعف قدرت محاسباتی و تحلیل داده‌ها مواجه هستند [8]. فناوری رایانش ابری به واسطه انعطاف‌پذیری، امکان ذخیره‌سازی نامحدود، پردازش داده‌ها و به‌روز‌رسانی زیرساخت فناوری اطلاعات [9, 10]، تبادل و تسهیم اطلاعات [11]، داده‌کاوی [12] و قابلیت بازیابی داده‌ها پس از بلایا [13] فرصت مناسبی در اختیار بیمارستان‌ها برای حل این چالش‌ها قرار می‌دهد [14].
مطالعات نشان داده است پذیرش رایانش ابری موجب کارآیی، بهبود خدمات بالینی و کاهش هزینه می‌شود [15]. قابل پیش‌بینی است که در آینده توسعه سیستم‌های اطلاعات مراقبت سلامت به صورت فزاینده مبتنی بر فناوری رایانش ابری خواهد بود [16] و تأثیر مثبتی بر ساختار و ماهیت سیستم‌های اطلاعات بیمارستانی، پزشکی از راه دور و سلامت همراه خواهد داشت [17].
با این حال، پیاده‌سازی رایانش ابری با چالش‌هایی مواجه است؛ زیرا عواملی مانند عوامل انسانی، سازمانی، فناوری و محیطی پیاده‌سازی این فناوری در بیمارستان‌ها را تحت تأثیر قرار می‌دهد [18، 19]. یکی از مهم‌ترین عوامل موفقیت فناوری پذیرش فناوری توسط کاربران است. عوامل مرتبط با فناوری، سازمانی و محیطی از عوامل مؤثر بر پذیرش رایانش ابری معرفی شده است [20].
مزیت نسبی، پیچیدگی، آمادگی فناوری، حمایت مدیران ارشد و اندازه سازمان‌ها به صورت مستقیم بر پذیرش این فناوری تأثیر داشته است [21]. یعقوبی در مطالعه خود عوامل تکنولوژیکی، انسانی، سازمانی و محیطی را به عنوان عوامل مؤثر بر پذیرش رایانش ابری در حوزه سلامت بیان کرده است [22].
پذیرش هر فناوری توسط کاربران نقش مهمی در موفقیت یا شکست آن دارد؛ بنابراین مدل‌های مختلفی در این زمینه ایجاد شدند که جنبه‌های مختلف و مؤثر بر پذیرش یک فناوری را تحلیل می‌کنند [23-25]. این مدل‌ها بیشتر بر تأثیر اقدامات سازمانی بر پذیرش فناوری و نحوه شکل‌گیری ادراکات کاربران در مورد نحوه استفاده از فناوری تمرکز دارند [26].
به عبارت دیگر، می‌توان گفت این مدل‌ها پیچیدگی پذیرش فناوری در سازمان و عوامل مرتبط با آن را برای مدیران سازمان توضیح می دهند [27]. مدیران و دست‌اندرکاران اجرای فناوری می‌توانند با استفاده از این مدل‌ها علل احتمالی عدم پذیرش یک فناوری توسط کارکنان را شناسایی و راهکارهای لازم را برای پذیرش و موفقیت سیستم، پیش‌بینی کرده و برای آن راهکار ارائه کنند [28].
تئوری واحد پذیرش و استفاده از فناوری از آخرین مدل‌های پذیرش و اتخاذ فناوری است که به‌طور فزاینده‌ای مورد توجه محققان قرار گرفته است [27]. این مدل با توسعه مدل پذیرش فناوری ارائه شده است. در این مدل، تمام متغیرهای مؤثر بر رفتار گرد هم آمده و مدل پیچیده‌تری برای سنجش رفتار فرد در زمینه پذیرش یک فناوری جدید ارائه کرده است. 4 بُعد اصلی این مدل، انتظار عملکرد، انتظار تلاش، عوامل اجتماعی و شرایط تسهیلکننده است که ممکن است بر قصد استفاده از فناوری رایانش ابری و میزان استفاده از آن تأثیرگذار باشد [29].
بُعد انتظار عملکرد نشان‌دهنده به‌روز بودن و سودمند بودن فناوری و بُعد انتظار تلاش نشان‌دهنده سادگی و قابلیت یادگیری یک فناوری است [26]. در این مدل، میزان حمایت سازمانی برای به‌کارگیری یک فناوری شرایط اجتماعی و وجود زیرساختهای لازم برای به‌کارگیری فناوری شرایط تسهیلکننده نامیده شده است [30].
با توجه به این‌که مدت زیادی از به‌کارگیری فناوری رایانش ابری در سازمان‌های مراقبت بهداشتی ایران نمی‌گذرد، شناسایی عوامل مؤثر بر پذیرش این فناوری توسط کاربران می‌تواند تأثیر مهمی در موفقیت و افزایش بهره‌وری این سیستم داشته باشد؛ بنابراین در این مطالعه عوامل مؤثر بر پذیرش فناوری رایانش ابری در بیمارستان‌های آموزشی وابسته به دانشگاه علوم‌پزشکی هرمزگان بررسی شده است. نتایج این مطالعه می‌تواند با شناسایی عوامل مختلف مؤثر بر پذیرش فناوری رایانش ابری، اطلاعات مفیدی را برای موفقیت این فناوری در اختیار مدیران قرار دهد.
مواد و روش‌ها
طراحی مطالعه
این مطالعه مقطعی در سال 1400 به صورت توصیفی‌تحلیلی انجام شد. محیط پژوهش این مطالعه 3 بیمارستان آموزشی دانشگاه علوم‌پزشکی هرمزگان شامل 1 بیمارستان عمومی (شهید محمدی، 450 تختخوابی) و 2 بیمارستان تخصصی کودکان (152 تختخوابی) و زنان و زایمان (139 تختخوابی) بود.
جامعه مورد مطالعه و نمونه‌گیری
جامعه مورد مطالعه شامل تمام کارکنان (1062 نفر) این 3 بیمارستان بود. برای تجزیه‌و‌تحلیل بهتر در این مطالعه کارکنان بیمارستان به 4 دسته مدیران ارشد و میانی، اداری، بالینی و پیراپزشکی تقسیم شدند. نمونه‌گیری از نوع طبقه‌ای تصادفی بود، به‌طوری که در ابتدا تعداد کارکنان هر بیمارستان به تفکیک طبقه‌بندی شغلی از مدیریت بیمارستان‌ها گرفته شد. حجم نمونه طبق فرمول کوکران (فرمول شماره 1) 285 نفر تعیین شد. در این فرمول، N (حجم جامعه) معادل 1062، مقدار Z برابر با 1/96، مقدار P برابر 0/5 و ضریب خطا نیز برابر 0/05 در نظر گرفته شد؛ بنابراین 285 نفر به عنوان حجم نمونه تعیین شد.
سپس بر اساس تعداد کل جامعه، تعداد نمونه و تعداد هر طبقه، سهم هر طبقه مشخص شد؛ بنابراین 54 مدیر ارشد و میانی، 48 کارمند اداری، 77 فرد بالینی، 106 پرسنل پیراپزشکی و غیره در این مطالعه شرکت کردند. در ادامه اعداد تصادفی با استفاده از تابع RAND اکسل ایجاد و نمونه‌ها مشخص شد. در صورت عدم تمایل یا تکمیل نکردن پرسش‌نامه، شرکت‌کننده بعدی با استفاده از همین اعداد تصادفی مشخص می‌شد. معیارهای ورود، کار کردن در بیمارستان و داشتن اطلاعات درباره رایانش ابری بود و معیار خروج نیز عدم رضایت برای شرکت در مطالعه بود.
با توجه به شیوع کرونا، پرسش‌نامه به صورت الکترونیک و تحت وب ایجاد شد. در مرحله بعد، تلفن افراد از کارگزینی بیمارستان‌ها دریافت شد. با افراد مشخص‌شده تماس تلفنی برقرار شد و پس از توضیح درباره هدف مطالعه و در صورت موافقت لینک پرسش‌نامه از طریق پیامک برای آن‌ها ارسال شد. برای تکمیل پرسش‌نامه شنبه هر هفته پیگیری می‌شد و در صورت عدم پاسخگویی طی 3 هفته متوالی فرد جدید جایگزین می‌شد.
ابزار گردآوری اطلاعات
ابزار گردآوری این مطالعه، پرسش‌نامه استاندارد تئوری واحد پذیرش و استفاده از فناوری بود. این پرسش‌نامه شامل 7 سؤال جمعیت‌شناختی و 6 بُعد انتظار عملکرد (4 سؤال)، انتظار تلاش (4 سؤال)، شرایط اجتماعی (4 سؤال)، شرایط تسهیلکننده (4 سؤال)، قصد استفاده (3 سؤال) و استفاده در عمل (2 سؤال) است و در مجموع 28 سؤال دارد. برای پاسخ به هر سؤال از طیف 5 گزینه‌ای لیکرت استفاده شده که 1 نشان‌دهنده کاملاً مخالف و 5 نشان‌دهنده کاملاً موافق است.
روایی و پایایی این پرسش‌نامه در مطالعات مختلف تأیید شده است، اما برای اطمینان از صحت ترجمه، پس از این‌که پرسش‌نامه توسط 2 نفر از اعضای هیئت علمی ترجمه شد، این پرسش‌نامه فارسی توسط 2 فرد خبره به انگلیسی ترجمه و با پرسش‌نامه اصلی تطابق داده شد. برای بررسی پایایی نیز در فاصله زمانی 10 روز 2 مرتبه پرسش‌نامه‌ها توسط 25 نفر از کارکنان بیمارستان تکمیل و با استفاده از ضریب آلفای کرونباخ پایایی آن تأیید شد (0/88=r).
روش تحلیل
پس از اتمام مرحله جمع‌آوری پرسش‌نامه‌ها، داده‌ها در قالب اکسل از سایت طراحی پرسش‌نامه استخراج و بررسی‌های لازم برای تعیین کیفیت داده‌های جمع‌آوری‌شده انجام شد. پس از آن، داده‌ها در نرم‌افزار SPSS نسخه 24 وارد شد و داده‌ها بر اساس آمار توصیفی (شاخص‌های مرکزی و پراکندگی) و آمارهای تحلیلی (با توجه به نرمال بودن داده‌ها، آزمون‌های آماری تی‌مستقل، آنووا و پیرسون) تحلیل شد. سطح معناداری 0/05 در نظر گرفته شد. به علاوه برای مشخص شدن تأثیر بار عاملی هر کدام از متغیر‌ها از نرم‌افزار لیزرل استفاده شد.
یافته‌ها
از مجموع 285 پرسش‌نامه توزیع‌شده، 269 پرسش‌نامه تکمیل و عودت داده شد (نرخ پاسخگویی 94 درصد). 3 پرسش‌نامه دارای بیش از 20 درصد فیلدها تکمیل نشده بود و از مطالعه کنار گذاشته شدند و نتایج 266 پرسش‌نامه تجزیه‌و‌تحلیل شد. 178 نفر (66/9 درصد) از شرکت‌کنندگان در این مطالعه زن بودند. در حالی که مسن‌ترین فرد شرکت‌کننده در مطالعه 57 سال داشت، میانگین سن شرکت‌کنندگان در مطالعه 7/51±35/05 بود. این افراد به‌طور متوسط 7/21±11/41 سال سابقه کار داشتند. 51 مدیر ارشد و میانی، 47 کارمند اداری، 69 فرد بالینی، 99 پرسنل پیراپزشکی و غیره در این مطالعه شرکت کردند. 65 نفر (24/4 درصد) اعلام کردند که تاکنون از فناوری رایانش ابری استفاده کرده‌اند.
جدول شماره 1، معیارهای مرتبط با ابعاد برون‌زا و درون‌زای تئوری واحد پذیرش و استفاده از فناوری را نشان می‌دهد.
بالاترین میانگین متعلق به معیار در مجموع، تصویر ذهنی مثبتی درباره فناوری رایانش ابری دارم (سنجه 18) و کمترین میانگین نیز به معیار اهمیت رایانش ابری برای افراد مهم سازمان در بُعد عوامل اجتماعی (سنجه 10) است.
با وجود این‌که مدیران ارشد که سابقه استفاده از فناوری ابری را داشتند، بیشتر از سایر شرکت‌کنندگان معتقد بودند، شرایط تسهیلکننده برای استفاده از فناوری ابر در بیمارستان‌ها وجود دارد، اما کارکنان اداری بیشتر از سایر کارکنان از این فناوری استفاده می‌کردند (جدول شماره 2).
این مطالعه نشان داد جنسیت، رسته شغلی و سابقه کار هیچ تأثیر معناداری در میزان قصد استفاده و استفاده در عمل کارکنان از فناوری رایانش ابری ندارد (0/5>P)، اما افرادی که سابقه استفاده از فناوری رایانش ابری را داشته‌اند، نسبت به سایر افراد امتیاز بیشتری در قصد استفاده و استفاده در عمل از این فناوری داشتند (0001>P).
در این مطالعه، رابطه 4 عامل زمینه‌ای با قصد استفاده و استفاده در عمل از فناوری رایانش ابری تأیید شد (تصویر شماره 1).
امروزه استفاده از فناوری‌های اطلاعات موجب ارتقای اثربخشی کسب‌و‌کار و ایجاد مزیت‌هایی برای سازمان‌های مراقبت سلامت شده است [1]. از سوی دیگر، از آن‌جا که صنعت مراقبت سلامت با چالش‌های جدی مواجه است، ارائه‌دهندگان مراقبت سلامت ناگزیر به استفاده از فناوری‌های اطلاعات برای رویارویی با این مشکلات هستند [2]. در دهه گذشته رایانش ابری تا حد زیادی در حوزه فناوری اطلاعات سلامت گسترش یافته است [3] و منجر به تسهیل پذیرش فناوری‌های اطلاعات استفاده‌شده در حوزه سلامت و به خصوص پذیرش پرونده الکترونیک سلامت شده است [4].
یکی از فناوری‌های نوین به کار گرفته‌شده در سازمان‌های مراقبت بهداشتی، رایانش ابری است که هزینه پردازش داده‌های حوزه سلامت را از طریق ارتقای اعتبار، انعطاف‌پذیری، دسترس‌پذیری و توان عملیاتی پردازش کاهش می‌دهد [4]. این فناوری قابلیت مجازی‌سازی و محاسبات مبتنی بر شبکه را برای ارائه خدمات مختلف دارد [5]. این خدمات بر اساس تقاضای کاربر و از طریق شبکه‌های عمومی، گروهی، خصوصی یا ترکیبی از این شبکه‌ها ارائه می‌شود [6]. یکی از مزایای این فناوری، ذخیره‌سازی پویای محاسبات و مدیریت داده‌ها از طریق اینترنت و بر حسب نیاز کاربر است [7].
بیمارستان‌ها از یک سو، با حجم زیادی از داده‌ها و در قالب‌های مختلف متن، تصویر و صدا سروکار دارند و از سوی دیگر، با ضعف قدرت محاسباتی و تحلیل داده‌ها مواجه هستند [8]. فناوری رایانش ابری به واسطه انعطاف‌پذیری، امکان ذخیره‌سازی نامحدود، پردازش داده‌ها و به‌روز‌رسانی زیرساخت فناوری اطلاعات [9, 10]، تبادل و تسهیم اطلاعات [11]، داده‌کاوی [12] و قابلیت بازیابی داده‌ها پس از بلایا [13] فرصت مناسبی در اختیار بیمارستان‌ها برای حل این چالش‌ها قرار می‌دهد [14].
مطالعات نشان داده است پذیرش رایانش ابری موجب کارآیی، بهبود خدمات بالینی و کاهش هزینه می‌شود [15]. قابل پیش‌بینی است که در آینده توسعه سیستم‌های اطلاعات مراقبت سلامت به صورت فزاینده مبتنی بر فناوری رایانش ابری خواهد بود [16] و تأثیر مثبتی بر ساختار و ماهیت سیستم‌های اطلاعات بیمارستانی، پزشکی از راه دور و سلامت همراه خواهد داشت [17].
با این حال، پیاده‌سازی رایانش ابری با چالش‌هایی مواجه است؛ زیرا عواملی مانند عوامل انسانی، سازمانی، فناوری و محیطی پیاده‌سازی این فناوری در بیمارستان‌ها را تحت تأثیر قرار می‌دهد [18، 19]. یکی از مهم‌ترین عوامل موفقیت فناوری پذیرش فناوری توسط کاربران است. عوامل مرتبط با فناوری، سازمانی و محیطی از عوامل مؤثر بر پذیرش رایانش ابری معرفی شده است [20].
مزیت نسبی، پیچیدگی، آمادگی فناوری، حمایت مدیران ارشد و اندازه سازمان‌ها به صورت مستقیم بر پذیرش این فناوری تأثیر داشته است [21]. یعقوبی در مطالعه خود عوامل تکنولوژیکی، انسانی، سازمانی و محیطی را به عنوان عوامل مؤثر بر پذیرش رایانش ابری در حوزه سلامت بیان کرده است [22].
پذیرش هر فناوری توسط کاربران نقش مهمی در موفقیت یا شکست آن دارد؛ بنابراین مدل‌های مختلفی در این زمینه ایجاد شدند که جنبه‌های مختلف و مؤثر بر پذیرش یک فناوری را تحلیل می‌کنند [23-25]. این مدل‌ها بیشتر بر تأثیر اقدامات سازمانی بر پذیرش فناوری و نحوه شکل‌گیری ادراکات کاربران در مورد نحوه استفاده از فناوری تمرکز دارند [26].
به عبارت دیگر، می‌توان گفت این مدل‌ها پیچیدگی پذیرش فناوری در سازمان و عوامل مرتبط با آن را برای مدیران سازمان توضیح می دهند [27]. مدیران و دست‌اندرکاران اجرای فناوری می‌توانند با استفاده از این مدل‌ها علل احتمالی عدم پذیرش یک فناوری توسط کارکنان را شناسایی و راهکارهای لازم را برای پذیرش و موفقیت سیستم، پیش‌بینی کرده و برای آن راهکار ارائه کنند [28].
تئوری واحد پذیرش و استفاده از فناوری از آخرین مدل‌های پذیرش و اتخاذ فناوری است که به‌طور فزاینده‌ای مورد توجه محققان قرار گرفته است [27]. این مدل با توسعه مدل پذیرش فناوری ارائه شده است. در این مدل، تمام متغیرهای مؤثر بر رفتار گرد هم آمده و مدل پیچیده‌تری برای سنجش رفتار فرد در زمینه پذیرش یک فناوری جدید ارائه کرده است. 4 بُعد اصلی این مدل، انتظار عملکرد، انتظار تلاش، عوامل اجتماعی و شرایط تسهیلکننده است که ممکن است بر قصد استفاده از فناوری رایانش ابری و میزان استفاده از آن تأثیرگذار باشد [29].
بُعد انتظار عملکرد نشان‌دهنده به‌روز بودن و سودمند بودن فناوری و بُعد انتظار تلاش نشان‌دهنده سادگی و قابلیت یادگیری یک فناوری است [26]. در این مدل، میزان حمایت سازمانی برای به‌کارگیری یک فناوری شرایط اجتماعی و وجود زیرساختهای لازم برای به‌کارگیری فناوری شرایط تسهیلکننده نامیده شده است [30].
با توجه به این‌که مدت زیادی از به‌کارگیری فناوری رایانش ابری در سازمان‌های مراقبت بهداشتی ایران نمی‌گذرد، شناسایی عوامل مؤثر بر پذیرش این فناوری توسط کاربران می‌تواند تأثیر مهمی در موفقیت و افزایش بهره‌وری این سیستم داشته باشد؛ بنابراین در این مطالعه عوامل مؤثر بر پذیرش فناوری رایانش ابری در بیمارستان‌های آموزشی وابسته به دانشگاه علوم‌پزشکی هرمزگان بررسی شده است. نتایج این مطالعه می‌تواند با شناسایی عوامل مختلف مؤثر بر پذیرش فناوری رایانش ابری، اطلاعات مفیدی را برای موفقیت این فناوری در اختیار مدیران قرار دهد.
مواد و روش‌ها
طراحی مطالعه
این مطالعه مقطعی در سال 1400 به صورت توصیفی‌تحلیلی انجام شد. محیط پژوهش این مطالعه 3 بیمارستان آموزشی دانشگاه علوم‌پزشکی هرمزگان شامل 1 بیمارستان عمومی (شهید محمدی، 450 تختخوابی) و 2 بیمارستان تخصصی کودکان (152 تختخوابی) و زنان و زایمان (139 تختخوابی) بود.
جامعه مورد مطالعه و نمونه‌گیری
جامعه مورد مطالعه شامل تمام کارکنان (1062 نفر) این 3 بیمارستان بود. برای تجزیه‌و‌تحلیل بهتر در این مطالعه کارکنان بیمارستان به 4 دسته مدیران ارشد و میانی، اداری، بالینی و پیراپزشکی تقسیم شدند. نمونه‌گیری از نوع طبقه‌ای تصادفی بود، به‌طوری که در ابتدا تعداد کارکنان هر بیمارستان به تفکیک طبقه‌بندی شغلی از مدیریت بیمارستان‌ها گرفته شد. حجم نمونه طبق فرمول کوکران (فرمول شماره 1) 285 نفر تعیین شد. در این فرمول، N (حجم جامعه) معادل 1062، مقدار Z برابر با 1/96، مقدار P برابر 0/5 و ضریب خطا نیز برابر 0/05 در نظر گرفته شد؛ بنابراین 285 نفر به عنوان حجم نمونه تعیین شد.
سپس بر اساس تعداد کل جامعه، تعداد نمونه و تعداد هر طبقه، سهم هر طبقه مشخص شد؛ بنابراین 54 مدیر ارشد و میانی، 48 کارمند اداری، 77 فرد بالینی، 106 پرسنل پیراپزشکی و غیره در این مطالعه شرکت کردند. در ادامه اعداد تصادفی با استفاده از تابع RAND اکسل ایجاد و نمونه‌ها مشخص شد. در صورت عدم تمایل یا تکمیل نکردن پرسش‌نامه، شرکت‌کننده بعدی با استفاده از همین اعداد تصادفی مشخص می‌شد. معیارهای ورود، کار کردن در بیمارستان و داشتن اطلاعات درباره رایانش ابری بود و معیار خروج نیز عدم رضایت برای شرکت در مطالعه بود.
با توجه به شیوع کرونا، پرسش‌نامه به صورت الکترونیک و تحت وب ایجاد شد. در مرحله بعد، تلفن افراد از کارگزینی بیمارستان‌ها دریافت شد. با افراد مشخص‌شده تماس تلفنی برقرار شد و پس از توضیح درباره هدف مطالعه و در صورت موافقت لینک پرسش‌نامه از طریق پیامک برای آن‌ها ارسال شد. برای تکمیل پرسش‌نامه شنبه هر هفته پیگیری می‌شد و در صورت عدم پاسخگویی طی 3 هفته متوالی فرد جدید جایگزین می‌شد.
ابزار گردآوری اطلاعات
ابزار گردآوری این مطالعه، پرسش‌نامه استاندارد تئوری واحد پذیرش و استفاده از فناوری بود. این پرسش‌نامه شامل 7 سؤال جمعیت‌شناختی و 6 بُعد انتظار عملکرد (4 سؤال)، انتظار تلاش (4 سؤال)، شرایط اجتماعی (4 سؤال)، شرایط تسهیلکننده (4 سؤال)، قصد استفاده (3 سؤال) و استفاده در عمل (2 سؤال) است و در مجموع 28 سؤال دارد. برای پاسخ به هر سؤال از طیف 5 گزینه‌ای لیکرت استفاده شده که 1 نشان‌دهنده کاملاً مخالف و 5 نشان‌دهنده کاملاً موافق است.
روایی و پایایی این پرسش‌نامه در مطالعات مختلف تأیید شده است، اما برای اطمینان از صحت ترجمه، پس از این‌که پرسش‌نامه توسط 2 نفر از اعضای هیئت علمی ترجمه شد، این پرسش‌نامه فارسی توسط 2 فرد خبره به انگلیسی ترجمه و با پرسش‌نامه اصلی تطابق داده شد. برای بررسی پایایی نیز در فاصله زمانی 10 روز 2 مرتبه پرسش‌نامه‌ها توسط 25 نفر از کارکنان بیمارستان تکمیل و با استفاده از ضریب آلفای کرونباخ پایایی آن تأیید شد (0/88=r).
روش تحلیل
پس از اتمام مرحله جمع‌آوری پرسش‌نامه‌ها، داده‌ها در قالب اکسل از سایت طراحی پرسش‌نامه استخراج و بررسی‌های لازم برای تعیین کیفیت داده‌های جمع‌آوری‌شده انجام شد. پس از آن، داده‌ها در نرم‌افزار SPSS نسخه 24 وارد شد و داده‌ها بر اساس آمار توصیفی (شاخص‌های مرکزی و پراکندگی) و آمارهای تحلیلی (با توجه به نرمال بودن داده‌ها، آزمون‌های آماری تی‌مستقل، آنووا و پیرسون) تحلیل شد. سطح معناداری 0/05 در نظر گرفته شد. به علاوه برای مشخص شدن تأثیر بار عاملی هر کدام از متغیر‌ها از نرم‌افزار لیزرل استفاده شد.
یافته‌ها
از مجموع 285 پرسش‌نامه توزیع‌شده، 269 پرسش‌نامه تکمیل و عودت داده شد (نرخ پاسخگویی 94 درصد). 3 پرسش‌نامه دارای بیش از 20 درصد فیلدها تکمیل نشده بود و از مطالعه کنار گذاشته شدند و نتایج 266 پرسش‌نامه تجزیه‌و‌تحلیل شد. 178 نفر (66/9 درصد) از شرکت‌کنندگان در این مطالعه زن بودند. در حالی که مسن‌ترین فرد شرکت‌کننده در مطالعه 57 سال داشت، میانگین سن شرکت‌کنندگان در مطالعه 7/51±35/05 بود. این افراد به‌طور متوسط 7/21±11/41 سال سابقه کار داشتند. 51 مدیر ارشد و میانی، 47 کارمند اداری، 69 فرد بالینی، 99 پرسنل پیراپزشکی و غیره در این مطالعه شرکت کردند. 65 نفر (24/4 درصد) اعلام کردند که تاکنون از فناوری رایانش ابری استفاده کرده‌اند.
جدول شماره 1، معیارهای مرتبط با ابعاد برون‌زا و درون‌زای تئوری واحد پذیرش و استفاده از فناوری را نشان می‌دهد.
بالاترین میانگین متعلق به معیار در مجموع، تصویر ذهنی مثبتی درباره فناوری رایانش ابری دارم (سنجه 18) و کمترین میانگین نیز به معیار اهمیت رایانش ابری برای افراد مهم سازمان در بُعد عوامل اجتماعی (سنجه 10) است.
با وجود این‌که مدیران ارشد که سابقه استفاده از فناوری ابری را داشتند، بیشتر از سایر شرکت‌کنندگان معتقد بودند، شرایط تسهیلکننده برای استفاده از فناوری ابر در بیمارستان‌ها وجود دارد، اما کارکنان اداری بیشتر از سایر کارکنان از این فناوری استفاده می‌کردند (جدول شماره 2).
این مطالعه نشان داد جنسیت، رسته شغلی و سابقه کار هیچ تأثیر معناداری در میزان قصد استفاده و استفاده در عمل کارکنان از فناوری رایانش ابری ندارد (0/5>P)، اما افرادی که سابقه استفاده از فناوری رایانش ابری را داشته‌اند، نسبت به سایر افراد امتیاز بیشتری در قصد استفاده و استفاده در عمل از این فناوری داشتند (0001>P).
در این مطالعه، رابطه 4 عامل زمینه‌ای با قصد استفاده و استفاده در عمل از فناوری رایانش ابری تأیید شد (تصویر شماره 1).
در این مطالعه با استفاده از تحلیل عاملی شدت تأثیر 4 بُعد زمینه بر 2 بُعد قصد استفاده و استفاده در عمل بررسی شد. بر اساس تحلیل انجام‌شده مشخص شد 4 عامل زمینه‌ای تأثیر بیشتری بر قصد استفاده از فناوری رایانش ابری دارند و تأثیر کمتری بر میزان استفاده از این فناوری دارند (تصویر شماره 2).
بحث
از آن‌جا که پذیرش یک فناوری توسط کاربران به موفقیت آن می‌انجامد، در این مطالعه عوامل مؤثر بر پذیرش این فناوری از سوی کارکنان بیمارستانی بررسی شده است. یافته‌های این مطالعه نیز نشان داد انتظار عملکرد، انتظار تلاش، شرایط اجتماعی و شرایط تسهیلکننده بر قصد استفاده از فناوری رایانش ابری و میزان استفاده تأثیرگذار است.
یافته‌های این مطالعه نشان داد میزان انتظار عملکرد مانند سایر ابعاد زمینه‌ای می‌تواند بر قصد استفاده و استفاده در عمل از رایانش ابری تأثیر مستقیم و معناداری داشته باشد. انتظار عملکرد نشان می‌دهد یک فناوری به‌روز و سودمند است و باعث می‌شود بهره‌وری فعالیت‌های سازمان افزایش یابد و کارها سریع‌تر انجام شود [26].
مطالعه دیگری نیز رابطه مستقیم و معنادار انتظار عملکرد را بر قصد استفاده از رایانش ابری در بیمارستان نشان می‌دهد [31]. قصد استفاده به میزان احتمال استفاده از فناوری توسط فرد گفته می‌شود و بیانگر شدت قصد و اراده فردی برای استفاده از فناوری است. به‌طور کلی، هرگاه کیفیت خدمات ارائه‌شده توسط رایانش ابری در بیمارستان‌ها افزایش پیدا کند، میزان تمایل کارکنان برای استفاده از این فناوری افزایش می‌یابد [32]. باید توجه داشت که هدف از به‌کارگیری فناوری‌های نوین در سازمان‌های مراقبت سلامت، افزایش سرعت و بهره‌وری در انجام اقدامات و وظایف است و در صورتی که این امر محقق نشود، باعث نارضایتی کارکنان و عدم پذیرش فناوری می‌شود.
انتظار تلاش به معنای روشن و قابل درک بودن فناوری، ساده بودن، یادگیری آسان و شرایط استفاده راحت از یک فناوری است [33]. در این مطالعه، رابطه معنادار و مستقیمی بین انتظار تلاش با قصد استفاده و استفاده در عمل به دست آمد. مطالعات مشابهی نیز نشان داده است انتظار تلاش، تأثیر مستقیم و معناداری بر پذیرش فناوری ابر دارد [34، 35].
فناوری رایانش ابری جزو فناوری‌های نوین است و پیچیدگی‌های فنی دارد، اما هنگام طراحی نرم‌افزارها باید این پیچیدگی‌ها حذف شوند. کارکنان سازمان‌های مراقبت سلامت به دلیل حجم کاری بالا و دانش پایین در حوزه فناوری اطلاعات نیاز به نرم‌افزارها و سیستم‌های اطلاعاتی دارند که یادگیری و استفاده از آن‌ها آسان و ساده باشد. یکی از بهترین راه‌ها برای کاربردی بودن و ساده‌سازی نرم‌افزارهای مرتبط با رایانش ابری مشارکت کاربران نهایی مانند پرستاران در مرحله طراحی و پیاده‌سازی این نرم‌افزارهاست.
شرایط اجتماعی نشان‌دهنده فشار اجتماعی درک‌شده توسط فرد برای استفاده از فناوری و همچنین حمایت سازمانی و حمایت مدیران ارشد است [36]. در این مطالعه مشخص شد که شرایط اجتماعی حاکم بر بیمارستان تأثیر مستقیم و معناداری بر میزان قصد استفاده و استفاده در عمل فناوری رایانش ابری دارد. نتایج مطالعات قبلی درباره تأثیر شرایط اجتماعی بر قصد استفاده متناقض است، در حالی که یک مطالعه نشان داده است که شرایط اجتماعی می‌تواند تأثیر مستقیم و معناداری در قصد استفاده و میزان استفاده پرستاران از فناوری‌های نوین داشته باشد [37]، اما مطالعه دیگری نشان داد شرایط اجتماعی تأثیری بر قصد استفاده از یک فناوری ندارد [38].
یکی از راه‌های ایجاد شرایط اجتماعی خوب در سازمان مراقبت سلامت، استفاده مدیران ارشد از فناوری‌های نوین است. استفاده مدیران از فناوری ابری علاوه بر ایجاد انگیزش در کارکنان باعث می‌شود تا حمایت‌های سازمانی لازم برای به‌کارگیری فناوری در سازمان ایجاد شود. پذیرش فناوری توسط مدیران سازمان‌های مراقبت سلامت باعث می‌شود عوامل تسهیلکننده پذیرش فناوری به راحتی در سازمان قابل دسترس باشند.
در این مطالعه، شرایط تسهیلکننده کمترین امتیاز را در بین همه ابعاد به خود اختصاص داد و در عین حال، ارتباط مستقیم و معناداری با قصد استفاده و میزان استفاده از رایانش ابری داشت. شرایط تسهیلکننده درجه‌ای است که یک فرد اعتقاد دارد یک سازمان زیر‌بنای فنی لازم برای حمایت از فناوری مورد نظر را دارد [30]. شرایط تسهیلکننده شامل وجود امکانات ضروری، آگاهی و دانش، سازگاری با سایر سیستم‌ها و دسترسی به گروه پشتیبان است [39].
شرایط تسهیلکننده رابطه مستقیم و معناداری با قصد استفاده از رایانش ابری داشت [40]. وجود دانش، آگاهی و زیرساخت مناسب تأثیر مستقیم و معناداری بر میزان قصد استفاده کارکنان از رایانش ابری در بیمارستان دارد [31]. شرایط تسهیلکننده نقش مهمی در پذیرش فناوری‌های نوین در سازمان‌های مراقبت بهداشتی و درمانی دارد. برای مثال، عدم یکپارچگی رایانش ابری با سایر سیستم‌های اطلاعات بالینی می‌تواند باعث افزایش حجم کاری، سردرگمی کارکنان و کاهش کیفیت اطلاعات شود. آموزش کارکنان از دیگر موارد مهمی است که علاوه بر تسهیل در استفاده از رایانش ابری باعث می‌شود نگرش و آگاهی آنان نسبت به این فناوری بهبود یابد.
از آن‌جا که این داده‌ها بر اساس ادراک و آگاهی شرکت‌کنندگان در مطالعه جمع‌آوری شده است، ممکن است انعکاس‌دهنده واقعیت‌های موجود در محیط پژوهش نباشد، البته داده‌ها از لحاظ آماری کیفیت خوبی داشته و پژوهشگران بر این باور هستند که به دلیل انتخاب تصادفی شرکت‌کنندگان در مطالعه و حجم نمونه کافی، این موضوع بر یافته‌ها تأثیر منفی ندارد.
این مطالعه نشان داد درک کارکنان سازمان‌های مراقبت بهداشتی و درمانی نسبت به سودمندی (انتظار عملکرد) رایانش ابری می‌تواند بر تمایل استفاده و استفاده آن‌ها از این فناوری تأثیر بگذارد. یافته‌های این مطالعه آشکار کرد که طراحی رایانش ابری به نحوی که یادگیری و استفاده از آن برای کارکنان مراقبت بهداشتی آسان باشد (انتظار تلاش)، باعث پذیرش و موفقیت آن می‌شود.
شرایط حاکم بر سازمان (شرایط اجتماعی)، مانند حمایت مدیران ارشد و فرهنگ سازمانی باعث پذیرش بیشتر این فناوری در بیمارستان‌ها می‌شود. آگاهی، دانش و وجود زیرساختهای لازم (شرایط تسهیلکننده)، از جمله عوامل کلیدی مؤثر در پذیرش فناوری رایانش ابری توسط کارکنان مراقبت سلامت است.
ملاحظات اخلاقی
پیروی از اصول اخلاق پژوهش
این مطالعه در کمیته اخلاق دانشگاه علوم‌پزشکی هرمزگان با شماره IR.HUMS.REC. 1398.285 به تأیید رسیده است. در تمام مراحل این مطالعه، اعلامیه 1964هلسینکی و اصلاحات بعدی آن در نظر گرفته شده است.
حامی مالی
این مطالعه در چارچوب طرح تحقیقاتی شماره 980067 دانشگاه علوم‌پزشکی هرمزگان انجام شده است.
مشارکت نویسندگان
مفهوم‌سازی: محمدحسین حیوی حقیقی و محمد دهقانی؛ روش‌شناسی، اعتبار‌سنجی، تحلیل، تحقیق و بررسی، نگارش پیش‌نویس، ویراستاری و نهایی‌سازی نوشته: همه نویسندگان؛ منابع: محمددهقانی؛ مدیریت پروژه: محمدحسین حیوی حقیقی
تعارض منافع
بنابر اظهار نویسندگان، این مقاله تعارض منافع ندارد.
تشکر و قدردانی
از کلیه پرسنل بیمارستان‌های آموزشی دانشگاه علوم‌پزشکی هرمزگان که با تکمیل پرسش‌نامه به انجام این مطالعه کمک کردند کمال تشکر به عمل می‌آید.
References
1.Khadija Z, Omar A. The effect of information technology on the recruitment process in healthcare organization in Makkah city. Glob J Health Sci. 2019; 11(2):123-41. [DOI:10.5539/gjhs.v11n2p123]
2.Randall D, Goel P, Abujamra R. Blockchain applications and use cases in health information technology. J Health Med Inf. 2017; 8(3):1-17. [DOI:10.4172/2157-7420.1000276]
3.Bo L, Chen X, Xia X. Research and design of intelligent signs detection terminal in nursing information system based on cloud computing. Int J Simul Syst Sci Technol. 2016; 17(22):16.1-5. [Link]
4.Harfoushi O, Akhorshaideh AH, Aqqad N, Al Janini M, Obiedat R. Factors affecting the intention of adopting cloud computing in jordanian hospitals. Commun Netw. 2016; 8(2):88-101. [DOI:10.4236/cn.2016.82010]
5.Nuo W, Shu ML, Yang YY, Yang M, Zhang CQ. Intelligent health perception system based on cloud computing. Paper presented at: 2015 International Conference on Computational Intelligence and Communication Networks (CICN). 14 December 2015; Jabalpur, India. [Link]
6.Radwan T, Azer MA, Abdelbaki N. Cloud computing security: Challenges and future trends. Int J Comput Appl Technol. 2017; 55(2):158-72. [DOI:10.1504/IJCAT.2017.082865]
7.Wang L, Ma Y, Yan J, Chang V, Zomaya AY. Pipscloud: High performance cloud computing for remote sensing big data management and processing. Future Gener Comput Syst. 2018; 78:353-68. [DOI:10.1016/j.future.2016.06.009]
8.Hayes G, El-Khatib K, McGregor C. Supporting health informatics with platform-as-a-service cloud computing, In: Huang YM, Chao HC, Deng DJ, Park JJ, editors. Advanced technologies, embedded and multimedia for human-centric computing. Dordrecht: Springer; 2014. [DOI:10.1007/978-94-007-7262-5_131]
9.Daman R, Tripathi MM, Mishra SK. Security issues in cloud computing for healthcare. Paper presented at: 2016 3rd International Conference on Computing for Sustainable Global Development (INDIACom). 18 March 2016; New Delhi, India. [Link]
10.Goli-Malekabadi Z, Sargolzaei-Javan M, Akbari MK. An effective model for store and retrieve big health data in cloud computing. Comput Methods Programs Biomed. 2016; 132:75-82. [DOI:10.1016/j.cmpb.2016.04.016] [PMID]
11.Kalaiselvi R, Kousalya K, Varshaa R, Suganya M. Enhanced secure sharing of personal health records in cloud computing. Gazi Univ J Sci. 2016; 29(3):583-91. [Link]
12.Thingom C, Yeon G. An integration of big data and cloud computing, In: Chandra Satapathy S, Bhateja V, Joshi A, editors. Proceedings of the international conference on data engineering and communication technology. New York: Springer; 2017. [DOI:10.1007/978-981-10-1678-3_70]
13.Otomo M, Hashimoto K, Uchida N, Shibata Y. Mobile cloud computing usage for onboard vehicle servers in collecting disaster data information. in 2017 IEEE 8th International Conference on Awareness Science and Technology (iCAST). 10 November 2017; Taichung, Taiwan. [DOI:10.1109/ICAwST.2017.8256504]
14.Rajabion L, Shaltooki AA, Taghikhah M, Ghasemi A, Badfar A. Healthcare big data processing mechanisms: The role of cloud computing. Int J Inf Manag. 2019; 49:271-89. [DOI:10.1016/j.ijinfomgt.2019.05.017]
15.Ratnam KA, Dominic PDD. The factors associating the adoption of cloud computing: an enhancement of the healthcare ecosystem in Malaysia. Int J Bus Inform Syst. 2014; 16(4):462-79. [DOI:10.1504/IJBIS.2014.063932]
16.Kadhum AM, Hasan MK. Assessing the determinants of cloud computing services for utilizing health information systems: A case study. Int J Adv Sci Eng Inf Technol. 2017; 7(2):503-10. [DOI:10.18517/ijaseit.7.2.1814]
17.Sadoughi F, Erfannia L. Health information system in a cloud computing context. Stud Health Technol Inform. 2017; 236:290-7. [PMID]
18.Birje MN, Challagidad PS, Goudar RH, Tapale MT. Cloud computing review: Concepts, technology, challenges and security. Int J Cloud Comput. 2017; 6(1):32-57. [DOI:10.1504/IJCC.2017.083905]
19.Alipour J, Mehdipour Y, Karimi A, Sharifian R. Affecting factors of cloud computing adoption in public hospitals affiliated with Zahedan University of Medical Sciences: A cross-sectional study in the Southeast of Iran. Digit Health. 2021; 7:20552076211033428.[DOI:10.1177/20552076211033428] [PMID] [PMCID]
20.Morgan L, Conboy K. Factors affecting the adoption of cloud computing: an exploratory study. Paper presented at: 21st European Conference on Information Systems 2013 (ECIS). 8 June 2013; Utrecht, Netherlands. [Link]
21.Oliveira T, Thomas M, Espadanal M. Assessing the determinants of cloud computing adoption: An analysis of the manufacturing and services sectors. Inform Manag. 2014; 51(5):497-510. [DOI:10.1016/j.im.2014.03.006]
22.Yaghoubi NM, Shukuhy J, Jafari HR. Identifying and ranking key factors influencing the adoption of cloud computing in electronic health. Iran J Inf Process Manag. 2015; 30(2):553-76. [DOI:10.35050/JIPM010.2015.047]
23.Rahimi B, Nadri H, Lotfnezhad Afshar H, Timpka T. A systematic review of the technology acceptance model in health informatics. Appl Clin Inform. 2018; 9(3):604-34. [DOI:10.1055/s-0038-1668091] [PMID] [PMCID]
24.Hosseini Teshnizi S, Hayavi Haghighi MH, Alipour J. Evaluation of health information systems with ISO 9241-10 standard: A systematic review and meta-analysis. Inf Med Unlocked. 2021; 25:100639. [DOI:10.1016/j.imu.2021.100639]
25.Alipour J, Mehdipour Y, Karimi A. Factors affecting acceptance of hospital information systems in public hospitals of Zahedan University of Medical Sciences: A cross-sectional study. J Med Life. 2019; 12(4):403-10. [DOI:10.25122/jml-2019-0064] [PMID] [PMCID]
26.Ammenwerth E. Technology acceptance models in health informatics: TAM and UTAUT. Stud Health Technol Inform. 2019; 263:64-71. [DOI:10.3233/SHTI190111] [PMID]
27.Rahman MM, Lesch MF, Horrey WJ, Strawderman L. Assessing the utility of TAM, TPB, and UTAUT for advanced driver assistance systems. Accid Anal Prev. 2017; 108:361-73. [DOI:10.1016/j.aap.2017.09.011] [PMID]
28.Mugo DG, Njagi K, Chemwei B, Ochwagi Motany J. The technology acceptance model (TAM) and its application to the utilization of mobile learning technologies. Br J Math Comput Sci. 2017; 20(4):1-8. [DOI:10.9734/BJMCS/2017/29015]
29.Venkatesh V. Adoption and use of AI tools: A research agenda grounded in UTAUT. Ann Oper Res. 2022; 308:641–52. [DOI:10.1007/s10479-020-03918-9]
30.Jewer J. Patients' intention to use online postings of ED wait times: A modified UTAUT model. Int J Med Inform. 2018; 112:34-9. [DOI:10.1016/j.ijmedinf.2018.01.008] [PMID]
31.Idoga PE, Toycan M, Nadiri H, Çelebi E. Assessing factors militating against the acceptance and successful implementation of a cloud based health center from the healthcare professionals' perspective: A survey of hospitals in Benue state, Northcentral Nigeria. BMC Med Inform Decis Mak. 2019; 19(1):34. [DOI:10.1186/s12911-019-0751-x] [PMID] [PMCID]
32.Lian JW. Establishing a cloud computing success model for hospitals in Taiwan. Inquiry. 2017; 54:46958016685836. [DOI:10.1177/0046958016685836] [PMID] [PMCID]
33.Fuad A, Hsu CY. UTAUT for HSS: Initial framework to study health IT adoption in the developing countries. F1000Res. 2018; 7:101. [DOI:10.12688/f1000research.13798.1] [PMID] [PMCID]
34.Moryson H, Moeser G. Consumer adoption of cloud computing services in germany: Investigation of moderating effects by applying an UTAUT model. Int J Mark Stud. 2016. 8(1):14-32. [DOI:10.5539/ijms.v8n1p14]
35.Alharbi S. An extended UTAUT model for understanding of the effect of trust on users’ acceptance of cloud computing. Int J Comput Appl Technol. 2017; 56(1):65-76. [DOI:10.1504/IJCAT.2017.086562]
36.Hoque R, Sorwar G. Understanding factors influencing the adoption of mHealth by the elderly: An extension of the UTAUT model. Int J Med Inform. 2017; 101:75-84. [DOI:10.1016/j.ijmedinf.2017.02.002] [PMID]
37.Zhou LL, Owusu-Marfo J, Asante Antwi H, Antwi MO, Kachie ADT, Ampon-Wireko S. Assessment of the social influence and facilitating conditions that support nurses' adoption of hospital electronic information management systems (HEIMS) in Ghana using the unified theory of acceptance and use of technology (UTAUT) model. BMC Med Inform Decis Mak. 2019; 19(1):230. [DOI:10.1186/s12911-019-0956-z] [PMID] [PMCID]
38.Bracq MS, Michinov E, Arnaldi B, Caillaud B, Gibaud B, Gouranton V, et al. Learning procedural skills with a virtual reality simulator: An acceptability study. Nurse Educ Today. 2019; 79:153-60. [DOI:10.1016/j.nedt.2019.05.026] [PMID]
39.Shachak A, Kuziemsky C, Petersen C. Beyond TAM and UTAUT: Future directions for HIT implementation research. J Biomed Inform. 2019; 100:103315. [DOI:10.1016/j.jbi.2019.103315] [PMID]
40.Kayali M, Alaaraj S. Adoption of cloud based E-learning in developing countries: A combination A of DOI, TAM and UTAUT. Int J Contemp Manag Inf Technol. 2020; 1(1):1-7. [Link]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
