기술수용모델II에 기반한 중장년층 입원환자의 스마트모니터 기반 모바일헬스 이용 의도에 관한 경로분석

Ol Eum Joo; Yi Kyung Ha

doi:10.4040/jkan.24091

Articles

Page Path: HOME > J Korean Acad Nurs > Volume 54(4); 2024 > Article

Research Paper 기술수용모델II에 기반한 중장년층 입원환자의 스마트모니터 기반 모바일헬스 이용 의도에 관한 경로분석: 주옳음¹, 하이경²
Factors Affecting the Intention to Use Smartmonitor-Based Mobile Health in Middle-Aged in Patients Applying the Technology Acceptance Model II: Ol Eum Joo¹, Yi Kyung Ha²; Journal of Korean Academy of Nursing 2024;54(4):620-632.
DOI: https://doi.org/10.4040/jkan.24091
Published online: November 13, 2024

¹부산고려병원 간호부

²동의대학교 간호학과 · 동의간호과학연구소

¹Nursing Department, Busan Korea Hospital, Busan, Korea

²Department of Nursing, Research Institute of Dong-eui Nursing Science, Dong-eui University, Busan, Korea

Address reprint requests to : Ha, Yi Kyung Department of Nursing, Dong-eui University, 176 Eomgwangno, Busanjin-gu, Busan 47340, Korea Tel: +82-51-890-4252 Fax: +82-505-182-6876 E-mail: yikyung.ha@deu.ac.kr

• Received: August 2, 2024 • Revised: September 18, 2024 • Accepted: October 21, 2024

This is an Open Access article distributed under the terms of the Creative Commons Attribution NoDerivs License (http://creativecommons.org/licenses/by-nd/4.0) If the original work is properly cited and retained without any modification or reproduction, it can be used and re-distributed in any format and medium.

1,970 Views
95 Download
1 Crossref

prev next

Full Article

Download PDF

Abstract
서 론
연구 방법
연구 결과
논 의
결 론
Article Information
References

Abstract

Purpose
This study aimed to identify factors that influence the intention to use smart monitor-based mobile health (SBM) technology among middle-aged inpatients, based on the technology acceptance model II (TAM II).
Methods
A total of 222 participants were surveyed. Data were analyzed using SPSS Statistics 23.0 and IBM SPSS Amos 23. Seven exogenous variables–social influence (SI), personal self-efficacy, (PSE), environmental self-efficacy (ESE), health literacy, health concerns, resistance to innovative technology (RIT), accessibility (AC)– and three endogenous variables–perceived ease of use (PEOU), perceived usability (PU), and intention to use (ITU)–were investigated.
Results
The hypothesized path model demonstrated a good fit for the data. SI (β = .13, p = .042), PU (β = .46, p < .001), and PEOU (β = .16, p = .008) had significant direct effects on the ITU, which explained 39.5% of the variance. Additionally, SI (β = .27, p < .001), ESE (β = .16, p = .010), RIT (β = - .12, p = .026), AC (β = .28, p < .001), and PEOU (β = .20, p = .001) indirectly affected ITU through PU, which explained 50.7% of the variance. Furthermore, PSE (β = .38, p < .001) indirectly influenced ITU via PEOU, which explained 38.4% of the variance.
Conclusion
This study demonstrates that the TAM II can be used to effectively predict ITU in SBMs among middle-aged inpatients. To expand the intention to use SBMs, it is necessary to develop SBMs that include content and programs that promote PU, SI, and PEOU.
Key words: Inpatients; Intention; Patient-Centered Care; Telemedicine
Key words: 입원환자; 의도; 환자중심케어; 원격의료

서 론

1. 연구의 필요성

4차 산업혁명의 영향으로 스마트병원 구축이 활발해지면서 안정적 인프라 제공 및 시스템 자동화, 시스템의 상호운용성, 모바일 자료 통합, 생성 정보의 디지털화 기술을 이용한 양질의 의료서비스가 제공되고 있다[1,2]. 최근 전 세계적으로 발생한 코로나 19에 의한 팬데믹은 의료전달체계에서 비대면진료를 확산시키는 계기가 되었고, 전 연령층이 새로 개발된 정보통신기술을 활용한 의료서비스를 이용하는 경험을 갖게 되었다. 이러한 변화는 국내외 병원에서 스마트병원 구축을 위한 활동을 가속화시키고 있다[3,4].

병원에서는 모바일헬스 기술을 이용한 통합 커뮤니케이션 시스템을 침상 내 스마트모니터에 구현함으로써 양방향 의사소통을 통하여 환자가 치료과정에 참여 가능하게 하여 환자중심돌봄을 실현하는 데 주요한 역할을 하고 있다[1]. 미국은 2001년부터 입원환자를 대상으로 테블릿 컴퓨터나 침상 내 스마트모니터에 모바일기술을 적용해오고 있다. 스마트모니터 기반 모바일헬스(smartmonitor-based mobile health [SBM])는 양방향 의사소통을 통하여 환자가 입원생활에 필요한 정보나 서비스를 모바일헬스를 통해 직접 의뢰하여 해결하거나, 자신과 관련된 정보를 조회하거나 자신에게 맞는 교육정보를 선택하여 전달받을 수 있다. 또한 환자는 통증과 같은 증상의 정도를 직접 입력하고 맞춤형 의료서비스를 제공받는다[5-7]. 이처럼 입원기간 중 사용한 SBM 경험은 환자의 건강 모니터링에 필요한 지식을 향상시키고, 퇴원 이후에도 치료를 준수하고 합병증을 관리하는 등 건강관리를 지속적으로 수행할 수 있게 하는 효과적인 중재이다[6,8-11].

국내의 경우, 2020년 보건복지부 주관 스마트병원 구축 사업이 추진되면서 개별 침상마다 스마트모니터를 설치하여 서비스를 제공하기 시작하였고[11], 통증관리, 원격 회진 등의 다양한 기능을 탑재하여 확대 적용할 전망이다[12]. 그러나 놀라운 속도로 발전하는 기술에도 불구하고, 개발된 서비스에 대한 낮은 이용도가 지속적인 문제가 되고 있다[13]. 따라서 SBM 이용에 따른 효과가 나타나기 위해서는 도입 단계에서 실제로 SBM을 이용할 입원 환자의 이용 의도를 파악하는 것이 선행되어야 하며, 이를 통하여 적극적으로 SBM을 이용하도록 하기 위한 방안을 모색하는 것이 필요하다.

다양한 디지털기기를 이용한 모바일헬스가 만성질환관리를 위하여 널리 사용되면서, 만성질환이 증가하는 연령대인 중장년층은 디지털기기를 이용하여 자신의 건강을 관리하는 것에 대하여 높은 관심을 보인다[14-18]. 중장년층이 모바일헬스를 이용하여 효과적으로 건강을 관리할 수 있다면, 고령화 사회에서 중장년층이 노년기까지 지속적으로 모바일헬스를 이용함으로써 노년기 건강 관리와 의료비 감소에도 긍정적인 영향을 미칠 수 있다[15]. 하지만 중장년층은 노인층과 함께 정보취약군으로 분류될 만큼 디지털기기에 대한 이해도가 낮아서 건강 관련 모바일어플리케이션 이용에 대한 자기효능감이 낮음에도 불구하고[19], 중장년층의 모바일헬스 이용과 관련하여 파악된 것은 매우 미흡하다. 그러므로 향후 양방향 소통을 통해 적극적으로 환자중심케어에 참여하고, 장기적인 건강관리에 모바일헬스를 활용할 수 있도록 하기 위하여 중장년층 입원환자의 SBM 이용 의도와 관련 요인을 확인할 필요가 있다.

한편, 새로운 기술을 도입할 때 이용자의 이용 의도를 예측하기 위하여 기술수용모델(technology acceptance model [TAM])이 널리 이용되고 있다[20,21]. TAM은 Ajzen [22]의 계획된 행위이론에 근거하여 1986년 Davis가 처음으로 개발한 모델이며, 이용자가 새로운 기술의 수용 여부를 결정할 때 인지된 유용성과 인지된 사용 용이성이라는 두 신념이 이용자의 태도를 결정하고, 태도는 이용 의도를 통하여 이용 행위를 결정한다고 보았다[23,24]. 이후 Venkatesh와 Davis [13]는 정보통신기술의 경우, 인지된 유용성과 인지된 사용 용이성은 태도에 의한 매개 없이 이용 의도에 직접적으로 영향을 미친다는 것을 확인하면서 TAM에서 태도를 삭제한 TAM II를 발표하였다. 또한 TAM II에서는 TAM과 다르게 인지된 유용성과 인지된 사용 용이성에 영향을 미치는 외생변수가 추가되었고 외생변수 중 사회적 영향은 인지된 유용성과 인지된 사용 용이성은 물론이고, 이용 의도에도 직접적인 영향을 미친다고 보았다[13]. 따라서 TAM II에서 이용 행위는 이용 의도로부터 영향을 받고, 이용 의도는 혁신 기술을 사용함으로써 성과를 향상시킬 것이라는 믿음인 인지된 유용성과 사용자가 새로운 기술을 받아들일 때 많은 노력을 들이지 않고도 이용할 수 있는 기대 정도인 인지된 사용 용이성, 중요한 주변인으로부터의 동기 부여인인 사회적 영향으로부터 직접 영향을 받는데, 인지된 유용성에는 인지된 사용 용이성과 외생요인으로부터, 그리고 인지된 사용 용이성은 외생요인으로부터 영향을 받는다고 보았다[13]. 이와 관련하여 TAM II는 원격의료서비스[25,26]나 헬스케어 어플리케이션[27,28], 디지털 헬스케어 서비스[29,30] 등의 모바일헬스에 대한 이용 의도를 설명하기 위하여 모델로서 다양한 연구에서 적용되어 왔다. TAM II를 기반으로 중장년층 성인의 모바일헬스 이용 의도에 있어서 인지된 사용 용이성과 인지된 유용성에는 사회적 영향, 건강염려, 환경적 자기효능감, 개인적 자기효능감, 기술혁신저항, 건강염려, 건강정보활용능력, 접근성이 외생요인으로 작용한다는 보고되었다[25,29-35]. 국내 병원에서 SBM 도입은 초기 단계이며 중장년층 입원환자의 SBM 이용 의도와 관련된 연구는 거의 찾아보기 어렵다. 따라서, 본 연구의 목적은 TAM II를 기반으로 하여 중장년층 입원환자의 SBM 이용 의도를 파악하고, 이용 의도에 영향을 미치는 요인을 확인하여 중장년층 입원환자의 SBM 이용 의도를 증진시키기 위한 전략을 수립하기 위한 기초 자료를 마련하기 위한 경로모형을 구축하고 검증하는 것이다.

2. 개념적 기틀

본 연구에서는 중장년층 입원환자의 SBM 이용 의도에 영향을 미치는 요인과 경로를 파악하고자 Venkatesh와 Davis [13]의 TAM II와 문헌고찰을 기반으로 개념적 기틀을 설정하였다. TAM II [13]에 의하면 이용 의도는 인지된 유용성, 인지된 사용 용이성으로부터 직접적인 영향을 받고, 인지된 사용 용이성은 인지된 유용성을 통해서도 이용 의도에 영향을 미친다. 여러 외생 변수가 인지된 사용 용이성과 인지된 유용성에 직접 영향을 미치는데, 이들 중 사회적 영향은 이용 의도에 직접 영향을 미친다. 선행연구[25,29-35]에 따르면 개인적 자기효능감, 환경적 자기효능감, 건강정보활용능력, 건강염려, 기술혁신저항, 접근성이 인지된 사용 용이성과 인지된 유용성에 영향을 주는 것으로 나타났다. 이에 본 연구에서는 사회적 영향과 개인적 자기효능감, 환경적 자기효능감, 건강정보활용능력, 건강염려, 기술혁신저항, 접근성을 외생변수로 하여 인지된 사용 용이성과 인지된 유용성에 미치는 영향과 인지된 사용 용이성이 인지된 유용성을 통하여 이용 의도에 영향, 그리고 사회적 영향과 인지된 유용성, 인지된 사용 용이성이 이용 의도에 직접적으로 영향을 미치는 것을 개념적 기틀로 하여 연구를 진행하였다(Figure 1).

연구 방법

1. 연구 설계

본 연구는 Venkatesh와 Davis [13]의 TAM II를 기반으로 중장년층 입원환자의 SBM 이용 의도와 관련 요인 간의 가설적 경로모형을 구축하여 모형의 적합정도와 효과를 파악하는 경로분석연구이다.

2. 연구 대상

본 연구의 대상자는 부산광역시에 위치한 SBM이 설치된 병원 2곳에 입원 중인 환자로 통계청[18]에서 제시하는 중장년층 기준인 만 40~64세 성인을 말한다. 연구목적을 이해하고 연구 참여에 서면으로 동의한 자를 대상으로 시행되었다. 대상자 중 연구 참여에 동의하지 않았거나 인지기능의 장애가 있는 경우는 제외하였다. 본 연구의 표본크기는 최대우도법을 적용하기 위한 최소 표본수로 정하였다. 관측변수가 12개 미만이면 200명을 임계치로 할 수 있는데[36], 본 연구에서 추정해야 할 관측변수 수는 9개이므로 200명을 대상자수로 하였다. 입원환자에게 대면조사를 실시한 연구[37]를 참조하여 탈락률 10%를 고려하여 222명을 목표로 대상자를 모집하였고, 회수율은 100%이었다. 최종 수집 된 222명의 자료를 분석하였다.

3. 연구 도구

본 연구에서 총 40문항으로 구성된 설문지를 사용하였다. 설문지는 대상자의 일반적 특성과 관련된 성별, 연령, 최종학력, 월 수입, 주관적 건강상태, 모바일헬스 이용 유형에 관한 질문과 사회적 영향, 개인적 자기효능감, 환경적 자기효능감, 건강정보활용능력, 건강염려, 기술혁신저항, 접근성, 인지된 사용 용이성, 인지된 유용성, 이용 의도를 측정하기 위하여 원도구개발자와 한국어 번역 개발자로부터 사용 승인을 받은 도구로 구성하였다. 설문문항 중 원격의료, 스마트병원헬스케어서비스 등의 모바일헬스 유형을 도구개발자로부터 허락을 받아 SBM으로 단어를 수정하였다.

1) 사회적 영향

사회적 영향은 의도에 직접적 영향을 미치는 중요한 주변인이 그렇게 해야 한다고 동기를 부여한다면 실행을 선택할 수 있음을 말한다[13]. 본 연구에서 사회적 영향은 대상자가 SBM을 이용하려는 데 있어서 자기 행동이나 태도, 감정을 변화시키는 데 타인이나 집단으로부터 영향을 받는 정도이며, Koo와 Jin [25]의 ‘사회적 영향’ 도구를 사용하여 측정한 점수를 의미한다. 사회적 영향 도구는 Venkatesh와 Davis [13]의 ‘subjective norm’을 Koo와 Jin [25]이 한글로 번역한 사회적 영향 도구를 사용하였다. 각 문항은 Likert 5점 척도로, ‘전혀 그렇지 않다’ (1점)에서 ‘매우 그렇다’ (5점)이며 총점이 클수록 사회적 영향이 큰 것을 의미한다. 도구 신뢰도 Cronbach’s α는 도구개발 연구[13]에서 .81, Koo와 Jin [25] 연구에서 .89, 본 연구에서는 .82이었다.

2) 개인적 자기효능감

개인적 자기효능감은 특정 목표를 달성하기 위해 필요한 방식으로 행동할 수 있다는 자신의 능력에 대한 믿음을 말한다[38]. 본 연구에서 개인적 자기효능감은 대상자가 SBM을 잘 이용할 수 있다고 판단하는 정도이며, Koo와 Jin [25]이 개발한 ‘개인적 자기효능감’ 도구를 사용하여 측정한 점수를 의미한다. 개인적 자기효능감 도구는 총 3개 문항이며, 각 문항은 Likert 5점 척도로, ‘전혀 그렇지 않다’ (1점)에서 ‘매우 그렇다’ (5점)로 총점이 클수록 개인적 자기효능감이 큰 것을 의미한다. 도구의 신뢰도 Cronbach’s α는 도구개발 연구[25]에서 .86, 본 연구에서는 .93이었다.

3) 환경적 자기효능감

환경적 자기효능감은 특정 목표를 달성하기 위하여 주변 환경으로부터 도움을 받아서 행동할 수 있는 자신의 능력에 대한 믿음을 말한다[39]. 본 연구에서 환경적 자기효능감은 대상자가 주변 환경으로부터 도움을 받아서 SBM을 이용할 수 있다고 믿는 정도이며, Koo와 Jin [25]이 개발한 ‘환경적 자기효능감’ 도구를 사용하여 측정한 점수를 의미한다. 환경적 자기효능감 도구는 총 3개 문항이며, 각 문항은 Likert 5점 척도로, ‘전혀 그렇지 않다’(1점)에서 ‘매우 그렇다’ (5점)로 총점이 클수록 환경적 자기효능감이 큰 것을 의미한다. 도구의 신뢰도 Cronbach’s α는 도구개발연구[25]에서 .84, 본 연구에서는 .88이었다.

4) 건강정보활용능력

건강정보활용능력은 인터넷에서 건강 관련 정보를 검색하여 자료를 명확하게 이해하고 평가할 수 있는 능력을 말한다[40]. 본 연구에서 건강정보활용능력은 대상자가 SBM을 이용하여 정보를 검색하고 자료를 명백하게 평가할 수 있는 능력이며, Norman과 Skinner [40]의 ‘eHealth Literacy Scale’을 Chung 등[41]이 한국어로 번역한 ‘The Korean eHealth Literacy Scale (K-eHEALS)’ 도구를 사용하여 측정한 점수를 의미한다. K-eHEALS 도구는 총 10개의 문항이며, 각 문항은 Likert 5점 척도로, 각 문항은 ‘전혀 그렇지 않다’ (1점)에서 ‘매우 그렇다’ (5점)로 총점이 높을수록 건강정보활용능력이 높음을 의미한다. 도구의 신뢰도 Cronbach’s α는 도구개발 연구[40]에서 .88, Chung 등[41]의 연구는 .88, 본 연구에서는 .94이었다.

5) 건강염려

건강염려는 개인이 스스로 건강에 대해 관심을 가지고 건강을 중요시하는 정도를 말한다[25]. 본 연구에서 건강염려는 대상자가 스스로 건강에 대해 관심을 가지고 건강을 중요시하는 정도이며, Koo와 Jin [25]이 개발한 ‘건강염려’ 도구를 사용하여 측정한 점수를 의미한다. Koo와 Jin [25]의 연구에서 도구의 4문항 중 ‘건강유지방법을 제대로 아는 것은 중요하다.’는 신뢰도 검정에서 제외되었으나 본 연구에서는 선행연구[42,43]를 참고하여 4개 문항을 사용하였다. 도구의 각 문항은 Likert 5점 척도로, ‘전혀 그렇지 않다’ (1점)에서 ‘매우 그렇다’ (5점)로 총점이 클수록 건강염려가 높음을 의미한다. 도구의 신뢰도 Cronbach’s α는 도구개발 연구[25]에서 .79, 본 연구에서는 .85이었다.

6) 기술혁신저항

기술혁신저항은 소비자가 새로운 기술이나 변화에 대하여 저항하고, 이를 수용하지 않으려고 하는 것을 말한다[30]. 본 연구에서 기술혁신저항은 대상자가 새로운 SBM 이용에 대하여 수용하지 않으려는 것이며, Hong 등[30]이 개발한 ‘기술혁신저항’ 도구를 사용하여 측정한 점수를 의미한다. 기술혁신저항 도구는 총 3개 문항이며, 각 문항은 Likert 5점 척도로, ‘전혀 그렇지 않다’(1점)에서 ‘매우 그렇다’ (5점)로 총점이 클수록 기술혁신저항이 높음을 의미한다. 도구의 신뢰도 Cronbach’s α는 Hong 등[30]의 연구에서 .83, 본 연구에서는 .75이었다.

7) 접근성

접근성은 시간에 구애받지 않고 서비스에 접속할 수 있는 것을 말하며[44]. 본 연구에서 접근성은 대상자가 시간의 제약 없이 SBM에 접속할 수 있는 정도이며, Jin [35]이 개발한 ‘접근성’ 도구를 수정한 도구로 측정한 점수를 의미한다. Jin [35]이 개발한 ‘접근성’ 도구는 5개 문항이었으나, 입원환자에게 적용되지 않는 ‘비대면 진료를 통해 불필요한 병원방문을 줄일 수 있을 것이라 믿는 정도’는 삭제한 후 4개 문항으로 된 도구를 사용하였다. 각 문항은 Likert 5점 척도로, ‘전혀 그렇지 않다’ (1점)에서 ‘매우 그렇다’ (5점)로 총점이 클수록 접근성이 높음을 의미한다. 도구의 신뢰도 Cronbach’s α는 도구개발 Jin [35]의 연구에서 .88, 본 연구에서는 .86이었다.

8) 인지된 유용성

인지된 유용성은 특정한 정보기술이나 시스템을 이용하는 것이 이용자의 직무성과를 향상할 것이라고 믿는 정도를 말한다[13]. TAM II에서 ‘perceived usefulness’로 명명하였으나 이후 발표된 통합기술수용모형에서 ‘performance expectency’로 명칭을 변경하였고, Koo와 Jin [25]이 ‘성과기대’라고 한국어로 번역하였다. 본 연구에서 인지된 유용성은 대상자가 SBM이 자신의 건강상태를 향상시키기 위하여 이용할 만하다고 인정하는 정도이며, Koo와 Jin [25]의 성과기대 도구를 사용하여 측정한 점수를 의미한다. 성과기대 도구는 총 3 개 문항이며, 각 문항은 Likert 5점 척도로, ‘전혀 그렇지 않다’ (1점)에서 ‘매우 그렇다’(5점)로 항목 평균 점수가 클수록 인지된 유용성이 높음을 의미한다. 도구의 신뢰도 Cronbach’s α는 도구개발 연구[13]에서 .87, Koo와 Jin [25]의 연구는 .83, 본 연구에서는 .90이었다.

9) 인지된 사용 용이성

인지된 사용 용이성은 특정한 기술이나 시스템을 사용하는 데 있어 많은 노력 없이도 쉽게 이용할 수 있을 것이라는 주관적 믿음 정도를 말한다[13]. TAM II에서 ‘perceived easy to use’로 명명하였으나 이후 발표된 통합기술수용모형에서 ‘effort expectency’ 로 명칭을 변경하였고, Koo와 Jin [25]가 ‘노력기대’라고 한국어로 번역하였다. 본 연구에서 인지된 사용 용이성은 대상자가 SBM을 쉽게 이용할 수 있다고 믿는 정도이며, Koo와 Jin [25]의 노력기대 도구를 사용하여 측정한 점수를 의미한다. 노력기대 도구는 총 4개 문항이며, 각 문항은 Likert 5점 척도로, ‘전혀 그렇지 않다’ (1점)에서 ‘매우 그렇다’ (5점)로 항목 평균 점수가 클수록 사용 용이성이 높음을 의미한다. 도구의 신뢰도 Cronbach’s α는 도구개발 연구[13]에서 .86, Koo와 Jin [25]의 연구는 .84, 본 연구에서는 .94이었다.

10) 이용 의도

이용 의도는 새로운 정보통신기술을 사용하고자 하는 생각이나 계획을 말하며[13], 본 연구에서 이용 의도는 대상자가 이용하려는 생각이나 계획이며, Venkatesh와 Davis [13]가 개발한 ‘intention to use’를 Koo와 Jin [25]이 한국어로 번역한 ‘이용 의도(모니터링)’ 도구에서 재가모니터링을 스마트폰기반 모바일헬스로 용어를 변경한 도구를 사용하여 측정한 점수를 말한다. 이용 의도(모니터링) 도구는 총 3개 문항이며, 각 문항은 Likert 5점 척도로, ‘전혀 그렇지 않다’ (1점)에서 ‘매우 그렇다’(5점)로 항목 평균 점수가 클수록 이용 의도가 높음을 의미한다. 도구의 신뢰도 Cronbach’s α는 도구개발 연구[13]에서 .82, Koo와 Jin [25]의 연구는 .91, 본 연구에서는 .88이었다.

4. 자료 수집 방법

본 연구는 연구윤리심의위원회의 승인을 받은 후 2023년 6월 1일부터 2023년 8월 31일까지 진행하였다. 본 연구자는 연구 대상 의료기관 간호부로부터 자료수집에 대한 허락을 받은 후 병원 2곳의 간호부를 직접 방문하여 연구목적과 절차, 방법을 설명하고 자료수집 승인을 받았다. 해당 병원에서 3년 이상 근무경력의 간호사를 연구보조원으로 정하였고, 연구자로부터 자료조사에 필요한 교육을 받아 자료를 수집하였다. 연구보조원은 간호부의 협조를 구하여 퇴원예정 환자의 명단을 파악하였고, 선정기준에 해당하는 대상자의 병실에 방문하여 연구목적 및 절차, 방법에 관해 설명하고 설명문을 함께 제공하였다. 자발적 의사에 따라 동의한 경우, 설문지를 배포하고 대상자의 요청이 있을 경우 연구보조원이 내용을 읽어주고 응답하여 작성하도록 하였다. 작성한 설문지는 연구보조자가 누락된 항목이 없는지 확인한 후 봉투에 넣어 연구자에게 전달하였다. 설문지 작성에는 10~15분 소요되었고, 배포한 설문지는 100% 회수되었다. 본 연구에 참여한 대상자에게는 소정의 선물을 제공하였다.

5. 자료분석 방법

수집된 자료는 SPSS Statistics 26.0 (IBM Co.)과 IBM SPSS Amos 22 (IBM Co.)을 이용하여 분석하였다. 대상자의 일반적 특성과 연구변수는 기술통계를 실시하였고, 변수의 정규성은 왜도와 첨도 및 다변량 정규성을 검증하였다. 대상자의 일반적 특성에 따른 이용의도의 차이는 independent t-test, one-way ANOVA로 분석하고 사후검정은 Scheffé test로 분석하였다. 주요 변수 간의 상관관계는 Pearson 상관계수로 확인하였다. 경로 분석의 가정을 확인하기 위하여 독립변수간 다중공선성은 공차 한계와 분산팽창요인으로, 종속변수의 자기상관성은 Durbin-Watson 지수로 확인하였다[31]. 측정도구의 집중타당도를 분석하기 위하여 확인적 요인분석과 신뢰도분석을 실시하였다. 본 연구의 경로모형의 적합도 검정 및 가설검정은 최대우도법을 이용하여 모형의 모수치를 추정하였다. 가설적 모형의 적합도를 평가하기 위하여 절대적합지수로서 χ²/df, Goodness-of-Fit-Index (GFI), Adjusted Goodness-of-Fit-Index (AGFI), Root Mean Square Error of Approximation (RMSEA), 증분적합지수로 Normed Fit Index (NFI), Tucker-Lewis Index (TLI), Comparative Fit Index (CFI)로 적합기준 충족여부를 확인하였다. 모형의 경로에 대한 유의성 검증은 경로계수, 직접효과, 간접효과, 총효과로 확인하였고, 내생변수의 설명력은 다중상관자승으로 평가하였다. 부트스트래핑 방법을 이용하여 경로모형의 간접효과와 총효과의 유의성을 검증하였으며, 부트스트래핑 횟수는 2,000회, 95% 신뢰구간을 이용하였다. χ²/df ≤ 3.0, GFI ≥ 0.9, AGFI ≥ 0.9, RMSEA ≤ 0.1, NFI ≥ 0.9, TLI ≥ 0.9, CFI ≥ 0.9 일 때 모형이 적합한 것으로 해석하였다[31].

6. 윤리적 고려

본 연구는 연구대상자를 윤리적으로 보호하기 위하여 동의대학교 연구윤리 심의위원회의 승인(IRB No. DIRB-202305-HR-E-18)을 받은 후 연구를 진행하였다. 대상자에게 연구목적과 방법, 진행절차를 설명하고 서면동의서를 받은 후 연구를 진행하였다. 수집된 자료는 코드화하여 보관하고, 연구 이외의 목적으로 사용하지 않으며, 대상자의 개인정보는 익명을 원칙으로 철저히 비밀을 보장하고, 신원을 파악할 수 있는 기록은 비밀로 보장되며, 연구 결과가 출판되면 연구자료는 폐기 예정임을 설명하였다. 또한 연구참여동의서를 작성하고 설문조사에 응답하던 중에 응답자가 참여중단을 원한다면 언제든지 동의를 철회할 수 있으며, 어떠한 불이익도 없음을 알려주고 작성을 중단한 자료는 분석에 포함되지 않을 것임을 설명하였다.

연구 결과

1. 대상자의 일반적 특성에 따른 이용 의도

본 연구의 대상자는 여성이 142명(64.0%)이었고, 평균 연령은 52.7 ± 8.17세이며, 40~49세가 88명(39.6%)으로 가장 많았다. 최종학력은 대졸 이상이 105명(47.3%), 월수입은 200만원 이상이 169명(76.1%), 주관적 건강상태는 ‘그저 그렇다’라고 응답한 대상자가 131명(59.0%)이었다. SBM 이용의도에 차이를 보이는 특성은 나이(F = 10.84, p < .001), 학력(F = 11.27, p < .001), 월수입(F = 3.57, p = .030), 주관적 건강상태(F = 3.29, p = .039)이었다. 나이에서 40대가 60대보다 SBM 이용 의도가 유의하게 높았고, 대졸 이상의 학력인 경우가 중졸 이하의 최종학력인 경우보다 이용 의도가 유의하게 높았다. 월수입이 200만원 이상인 경우가 100만원 미만인 경우보다 높았고, 주관적 건강상태가 좋다고 응답한 경우가 나쁘다고 응답한 경우보다 이용 의도가 높게 나타났다(Table 1).

2. 가설적 모형의 변수 특성과 주요 변수 간의 상관관계

본 연구대상자의 사회적 영향은 평균 11.97 ± 1.72점(15점 만점), 개인적 자기효능감은 평균 10.46 ± 2.67점(15점 만점), 환경적 자기효능감은 평균 12.05 ± 1.64점(15점 만점), 건강정보활용 능력은 평균 36.08 ± 6.52점(50점 만점), 건강염려는 평균 16.09 ± 2.27점(20점 만점), 기술혁신저항은 평균 7.19 ± 1.97점(15점 만점), 접근성은 평균 15.33 ± 2.41점(20점 만점)이었다. 인지된 유용성은 평균 12.45 ± 1.71점(15점 만점), 인지된 사용 용이성은 평균 15.10 ± 2.87점(20점 만점), 이용 의도는 평균 12.08 ± 1.73점(15점 만점)이었다(Table 2). 주요 변수 간의 상관관계를 분석한 결과, 이용 의도는 사회적 영향(r = .44, p < .001), 개인적 자기효능감(r = .39, p < .001), 환경적 자기효능감(r = .36, p < .001), 건강정보활용능력(r = .26, p < .001), 건강염려(r = .18, p = .009), 접근성(r = .48, p < .001), 인지된 유용성(r = .60, p < .001), 인지된 사용 용이성(r = .41, p < .001)은 양의 상관관계를 나타내었고, 기술혁신저항(r = - .27, p < .001)과는 음의 상관관계를 나타내었다(Table 3).

3. 가설 모형의 검증

1) 측정도구의 타당성과 신뢰도 검증

가설을 검증하기에 앞서 설문지에 포함된 총 40개의 문항에 대하여 확인적 요인분석을 실시한 결과, 설문문항과 요인 간의 개념신뢰도(construct reliability [CR])와 평균분산추출(average variance extracted [AVE] > .50)은 기준치인 CR > .70과 AVE > .50을 상회하는 CR ≥ .85과 AVE ≥ .58이었다. 신뢰도 Cronbach’s α는 .75 이상이었다. 집중타당도와 신뢰도가 확보되었음을 확인하였다.

2) 정규성 및 다중공선성 검증

경로분석에 앞서 변수 간의 다중공선성과 자기상관을 확인하였다. 변수 간의 상관관계는 절댓값 기준으로 0.04~0.57이며, 각 변수의 왜도 절댓값은 0.12~0.59로 2 미만, 첨도의 절댓값 또한 0.01~1.59로 2 미만으로 나타나 변수들의 정규분포 가정을 충족하였다(Table 2). 공차는 0.49~0.88 범위로 0.1보다 컸고, VIF는 1.13~2.03 범위로 모두 10보다 작아 독립변수 간 다중공선성은 없었다. Durbin–Watson 지수는 1.99로 2에 가까워 종속변수의 자기상관 없이 독립적인 것이 확인되어 본 모형은 경로분석의 가정을 충족하였다.

3) 가설 모형의 검증

본 연구의 가설모형과 수집된 자료 간의 적합도를 검증한 결과, χ²/df = 2.27, GFI = 0.99, AGFI = 0.89, RMSEA = 0.08, NFI = 0.98, TLI = 0.92, CFI = 0.99로 모든 적합지수에서 권장 수준[31]을 충족하였다. 최종모형(Figure 2)에서 제시된 경로의 유효성 검증은 표준화회귀계수, critical ratio (CR), 직·간접효과 및 총효과를 분석하였다(Table 3). 변수 간 경로는 사회적 영향(β = .27, p < .001), 환경적 자기효능감(β = .16, p = .010), 기술혁신저항(β = - .12, p = .026), 접근성(β = .28, p < .001), 인지된 사용 용이성(β = .20, p = .001)에서 인지된 유용성으로 가는 경로계수가 통계적으로 유의하였고 이들 변수의 설명력은 50.7%이었다. 개인적 자기효능감(β = .38, p < .001)에서 인지된 사용 용이성으로 가는 경로계수만 유의하였고, 이들 변수의 설명력은 38.4%이었다. 사회적 영향(β = .13, p = .042), 인지된 유용성(β = .46, p < .001), 인지된 사용 용이성(β = .16, p = .008)에서 이용 의도로 가는 경로계수가 통계적으로 유의하였고 이들 변수의 설명력은 39.5%이었다. 인지된 유용성에 대한 총효과는 접근성(β = .28, p < .001. 95% confidence interval [CI] = .11~.28)이 가장 컸고, 사회적 영향(β = .27, p < .001. 95% CI = .15~.39), 인지된 사용 용이성(β = .20, p = .001, 95% CI = .05~.38), 환경적 자기효능감(β = .16, p = .010, CI = .04~.29), 기술혁신저항(β = - .12, p = .026, 95% CI = - .19~- .01)의 순서이었다. 인지된 사용 용이성에 대한 개인적 자기효능감의 총효과(β = .38, p < .001. 95% CI = .26~.55)는 통계적으로 유의하였다. 이용 의도에 대한 총효과는 인지된 유용성의 직접 효과가 가장 컸고(β = .46, p < .001. 95% CI = .33~.59), 그 다음으로 사회적 영향이 유의한 직접효과(β = .13, p = .042, 95% CI = .00~.26)와 간접효과(β = .15, p = .004, 95% CI = .08~.24)에 따른 총효과(β = .28, p = .013, 95% CI = .13~.43)를 나타내었다. 인지된 사용 용이성은 간접효과(β = .09, p = .400, 95% CI = .04~.17)는 통계적으로 유의하지 않았으나, 직접 효과(β = .16, p = .008, 95% CI = .02~.16)와 총효과(β = .25, p = .009, 95% CI = .11~.40)는 통계적으로 유의하였다.

논 의

본 연구에서 중장년층 입원환자의 SBM 이용 의도를 설명하기 위하여 가설적 모형을 검증한 결과, 가설모형에서 제시한 18개 경로 중 9개의 경로가 지지되었다. 이용 의도에 직접적인 영향을 미치는 요인은 인지된 유용성과 인지된 사용 용이성이었고, 인지된 사용 용이성은 인지된 유용성을 매개로 한 영향도 이용 의도에 미치고 있었다. 외생변수 중 사회적 영향은 이용 의도에 직접적인 영향을 주고 있었고, 인지된 유용성에 영향을 주는 외생변수는 사회적 영향, 환경적 자기효능감과 기술혁신저항, 접근성이었고, 인지된 사용 용이성에 영향을 주는 것은 개인적 자기효능감뿐이었다. 외생변수 중 건강정보활용능력과 건강염려는 인지된 유용성과 인지된 사용 용이성에 대한 영향을 나타내지 않았다. 이러한 결과로 TAM II는 중장년층 입원환자의 SBM 이용 의도를 설명하기 위한 적절한 모형으로 생각되며, 이를 바탕으로 중장년층 입원환자의 SBM 이용 의도를 촉진시킬 수 있는 전략을 수립하기 위하여 관련 변수를 중심으로 고찰하고자 한다.

본 연구에서 사회적 영향은 이용 의도에 대한 직접 효과와 인지된 유용성을 통한 간접효과를 통하여 이용 의도에 영향을 미치고 있었다. 사회적 영향은 중요한 주변인으로부터 유용한 시스템이라고 제안을 받으면 실제로 유용하다고 믿게 되어 시스템을 이용하려는 의도를 형성한다[13]. 특히 사용 경험이 적은 새로운 정보통신기술일수록 기술에 대한 유익한 사용 경험을 얻은 가족이나 지인, 영향력 있는 사람의 만족 경험이 있거나[45], 이용하려는 정보통신기술이 의무적으로 이용해야 한다면 자발적인 경우보다 사회적 영향을 높일 수 있다[13]. 그러므로, 입원기간 중에는 환자가 정기적으로 SBM을 이용하여 치료과정에 참여하게 하고, 참여로 얻게 되는 유용한 이용 경험을 공유할 수 있도록 하는 컨텐츠를 포함시키는 것이 필요하겠다.

본 연구에서 개인적 자기효능감은 인지된 사용 용이성에 효과가 있었지만 인지된 유용성에는 영향이 없었고, 환경적 자기효능감은 인지된 유용성에는 효과는 있었으나, 인지된 사용 용이성에는 영향이 없었다. 새로운 정보통신기술에 대한 인지된 사용 용이성은 개인적 자기효능감과 밀접하지만[25], 인지된 유용성에 대한 영향이 없어 이용 의도에 미치는 영향은 적을 것으로 생각된다. 하지만, 중장년층을 대상으로 가정에서 적용하는 원격진료나 웨어러블디바이스 이용 의도에 대한 연구와 같이 의료인과 상호작용할 수 있는 절차가 있다면[25,39,46] 모바일헬스 이용이 익숙하지 않더라도 필요시 주변인으로부터 도움을 받아 이용할 수 있다는 환경적 자기효능감이 향상되어 인지된 유용성을 증가시킴으로써 SBM 이용 의도를 촉진할 수 있을 것이다.

본 연구에서 건강정보활용능력과 건강염려는 인지된 사용 용이성과 인지된 유용성에 대하여 영향을 미치지 않았다. 인터넷에서 제공되는 건강정보를 탐색하고 활용하는 능력인 건강정보활용능력[39]은 여러 연구에서 모바일헬스를 이용할 때 요구되는 역량이다[47-49]. 본 연구대상자가 경험한 SBM은 건강정보검색이나 교육자료 제공과 같은 기존의 모바일헬스의 기능이 없이 대화형 플랫폼을 특징으로 하고 있어서 건강정보활용능력의 영향을 확인하지 못한 것으로 추정된다. 향후에는 다양한 기능이 탑재된 SBM에 대한 건강정보활용능력의 영향을 파악하여야 하겠다. 건강염려도 인지된 유용성과 인지된 사용 용이성에 미치는 영향을 확인하지 못하였다. 이것은 Li 등[31]과 Koo와 Jin [25]은 일반인을 대상이었으나, 본 연구대상자는 치료 중인 입원환자를 대상으로 하였기 때문으로 생각된다.

본 연구결과에서 기술혁신저항은 인지된 유용성에 부정적인 영향을 주고 있었다. 청년층은 비교적 신기술에 친숙하여 새로운 기술의 위험 요소에 대하여 지식을 가지고 있지만, 중장년층은 새로운 기술이용에 대한 이해도가 낮아서 자기효능감이 낮기 때문에 새로운 정보통신기술을 받아들이는 데 저항이 있을 수 있다[19,50]. 그러나 중장년층 대상자라 하더라도 모바일헬스 이용 의도에 미치는 영향에 대해서는 일관된 결과를 나타내지 못하고 있어 반복연구를 통하여 확인해 보아야 하겠다[29,39].

본 연구에서 접근성은 인지된 유용성에 직접적 영향을 미치고 있었다. 본 연구의 SBM이나 비대면진료서비스는 이동하지 않고 자리에서 접속할 수 있다는 것이 장점이므로[35] 필요시 장소 이동 없이 접속할 수 있다는 점이 인지된 유용성을 증가시키는 영향을 미친 것으로 생각된다.

본 연구에서 인지된 유용성은 이용 의도에 있어서 직접적으로 가장 큰 효과를 나타내고 있었고, 이 결과는 중장년층의 모바일헬스 이용 의도에 대한 연구들[25,29,31-33,35]과 일치하였다. 인지된 유용성은 이용 의도를 예측하는 강력한 외생변수이며 이용 의도를 끌어내기 위한 중요한 요소이다[20]. 또한 본 연구에서 인지된 사용 용이성은 이용 의도에 대한 직접 효과보다 유용성을 통한 간접 효과에 따른 총효과가 더 크게 나타났고 이는 선행연구[29,31,32,46]와 같은 결과이었다. SBM과 같은 새로운 정보통신기술은 이용 방법을 습득하기 위한 최소한의 노력을 통해 유용성이 증가될 수 있지만[25,29], 인지된 사용 용이성을 증가시키는 것만으로 모바일헬스 이용 의도가 향상될 것으로 기대하기는 어렵다. 매년 전 세계적으로 수많은 모바일헬스가 출시되고 스마트폰보유율이 증가하면서 자신이 원하지 않더라도 다양한 모바일서비스를 경험하고 있다. 그럼에도 불구하고 기존 연구들은 새로운 정보통신기술이라는 측면에서 사용 용이성을 강조하여 시각화, 작동의 편이성 등에 주안점을 두었다[13]. 자신에게 필요한 내용이 포함되어야 하고 이용 결과가 본인에게 도움이 되어야 하지만 실질적인 도움이 되지 않는다면 일방적인 정보제공을 위한 수단으로 활용되어 이용 의도는 낮아질 수 밖에 없다. 따라서 SBM 이용 의도를 촉진하기 위해서는 인지된 유용성을 강화하기 위하여 개인별 요구에 따라 사용 가능한 SBM 서비스의 내용이 달라야 하고, 양방향 의사소통이 가능한 플랫폼을 중심으로 개발될 필요가 있다[5,7,11].

본 연구는 국내에서 스마트병원 구축사업의 하나로 도입되고 있는 SBM 에 대해 소개하고, 이용 가능성과 개발 방향을 조사하는 초기 연구로서의 의의가 있다. 그러나 본 연구는 다음과 같은 제한점이 있으므로 연구결과 해석에 주의가 필요하다. 첫째, 일개 지역에 소재한 병원 2곳에서 실시한 연구이므로 연구결과를 일반화하기에 어려움이 있을 수 있고, 둘째, 연구보조자를 통하여 조사하였으나 응답에 있어서 시험효과를 완전히 배제할 수 없을 수 있다.

결 론

국내에서 진행 중인 스마트병원 구축사업의 일환으로 SBM은 더 많은 의료기관에서 설치될 것으로 예상되며, 환자중심케어를 실현하기 위한 중재로서 SBM이 충분한 역할을 하기 위해서는 환자의 적극적인 참여가 필수적이다. 본 연구에서 TAM II를 바탕으로 중장년층 입원환자의 SBM 이용 의도를 촉진하여 적극적인 참여를 유도하기 위해서는 이용 의도에 직접적인 영향을 미치는 인지된 유용성, 사회적 영향, 인지된 사용 용이성을 증진시키기 위한 컨텐츠와 기능이 개발되어야 한다. 특히 이용 의도에 가장 큰 영향을 미치는 인지된 유용성을 향상시키는 것에 초점을 두어야 하며, 입원환자는 SBM과의 양방향 대화형 플랫폼을 통하여 치료과정의 의사결정에 참여하고 환자의 선택이 반영된 맞춤형 중재가 적용될 수 있는 SBM이 사용되도록 하여야 하겠다. 또한 중장년층 입원환자의 SBM 이용 의도가 증진되고 유지될 수 있도록 의료인의 동기부여와 유용한 경험을 공유하여 사회적 영향의 효과가 나타나기 위한 노력이 이루어져야 하겠다.

본 연구를 통하여 다음과 같이 제언하고자 한다. 첫째, 양방향 대화형 플랫폼을 통한 중장년층 입원환자의 SBM에 탑재될 환자 참여형 SBM의 컨텐츠를 개발하고 효과를 검증하는 연구를 제언한다. 둘째, SBM을 적용하여 이용 의도에 따른 이용률을 예측하는 연구가 필요하다. 셋째, 입원 중 SBM 이용 경험이 퇴원 후 건강관리에 미치는 지속적인 영향을 검증하는 연구를 제언하고자 한다.

Article Information

CONFLICTS OF INTEREST

The authors declared no conflict of interest.

ACKNOWLEDGEMENTS

None.

DATA SHARING STATEMENT

Please contact the corresponding author for data availability.

AUTHOR CONTRIBUTIONS

Conceptualization or/and Methodology: Joo O & Ha Y.

Data curation or/and Analysis: Joo O & Ha Y.

Funding acquisition: None.

Investigation: Joo O.

Project administration or/and Supervision: Ha Y.

Resources or/and Software: Joo O & Ha Y.

Validation: Joo O & Ha Y.

Visualization: Joo O & Ha Y.

Writing original draft or/and Review & Editing: Joo O & Ha Y.

Fig. 1.

Conceptual framework of this study.

Fig. 2.

Path diagram for the final model.

Table 1.

Differences in Intentions to Use according to the General Characteristics of Participants (N=222)

Variables	Categories	M ± SD	Intention to use
Variables	Categories	M ± SD	n (%)	M ± SD	t or F (p)
Gender	Man		80 (36.0)	12.16 ± 1.60	0.56 (.579)
Gender	Woman		142 (64.0)	12.03 ± 1.79
Age (yr)	40~49^a	52.7 ± 8.17	88 (39.6)	12.66 ± 1.65	10.84 (< .001)
	50~59^b		72 (32.5)	11.94 ± 1.55	a > c
	60~69^c		62 (27.9)	11.40 ± 1.77
Level of education	Middle school^a		27 (12.2)	11.00 ± 2.45	11.27 (< .001)
	High school^b		90 (40.5)	11.83 ± 1.32	a < c
	University^c		105 (47.3)	12.56 ± 1.66
Monthly income (10,000 won)	< 100^a		27 (12.2)	11.30 ± 2.20	3.57 (.030)
	100~< 200^b		26 (11.7)	11.92 ± 1.29	a < c
	≥ 200^c		169 (76.1)	12.22 ± 1.73
Subjective health status	Bad^a		10 (4.5)	10.90 ± 1.85	3.29 (.039)
	Average^b		131 (59.0)	12.02 ± 1.57	a < c
	Good^c		81 (36.5)	12.32 ± 1.89
Type of use of mobile health^†	Smartmonitor		179 (80.6)
	Pedometer		144 (64.9)
	Sleeping app		56 (25.2)
	Diet control		52 (23.4)
	Alarm to medication		41 (18.5)
	Others		37 (16.7)

M = Mean; SD = Standard deviation.

^†Multiple response.

Table 2.

Level of Study Variables and Correlations of Related Variables (N = 222)

Variables	M ± SD	Range	Skewness	Kurtosis	1	2	3	4	5	6	7	8	9	10
Variables	M ± SD	Range	Skewness	Kurtosis	r (p)
Social influence	11.97 ± 1.72	6~15	– 0.12	0.42	1
Personal self-efficacy	10.46 ± 2.67	3~15	– 0.41	– 0.07	.31 (< .001)	1
Environmental self-efficacy	12.05 ± 1.64	6~15	– 0.24	0.95	.48 (< .001)	.45 (< .001)	1
Health literacy	36.08 ± 6.52	15~50	– 0.19	0.27	.32 (< .001)	.58 (< .001)	.32 (< .001)	1
Health concern	16.09 ± 2.27	12~20	0.23	– 0.71	.21 (.002)	.21 (.001)	.26 (< .001)	.22 (.001)	1
Resistance of innovative technology	7.19 ± 1.97	3~15	0.56	1.10	– .34 (< .001)	– .19 (.005)	– .27 (< .001)	– .04 (.546)	– .10 (.122)	1
Accessibility	15.33 ± 2.41	4~20	– 0.55	1.92	.45 (< .001)	.42 (< .001)	.49 (< .001)	.42 (< .001)	.27 (< .001)	– .33 (< .001)	1
Perceived usefulness	12.45 ± 1.71	7~15	– 0.13	– 0.01	.56 (< .001)	.31 (< .001)	.50 (< .001)	.29 (< .001)	.27 (< .001)	– .38 (< .001)	.57 (< .001)	1
Perceived ease of use	15.10 ± 2.87	8~20	– 0.22	– 0.13	.36 (< .001)	.56 (< .001)	.40 (< .001)	.42 (< .001)	.16 (.016)	– .24 (< .001)	.42 (< .001)	.45 (< .001)	1
Intention to use	12.08 ± 1.73	6~15	– 0.59	1.59	.44 (< .001)	.39 (< .001)	.36 (< .001)	.26 (< .001)	.18 (.009)	– .27 (< .001)	.48 (< .001)	.60 (< .001)	.41 (< .001)	1

M = Mean; SD = Standard deviation.

Table 3.

Total Direct, and Indirect Effect of the Hypothetical Model (N = 222)

Endogenous variables		Exogenous variables	Hypothetical model				Direct effect		Indirect effect		Total effect		SMC
Endogenous variables		Exogenous variables	β	SE	CR	p	β (p)	95% CI	β (p)	95% CI	β (p)	95% CI	SMC
PU	←	SI	.27	.06	4.67	< .001	.27 (< .001)	.15~.39			.27 (< .001)	.15~.39	.51
	←	PSE	– .10	.04	– 1.54	.124	– .10 (.124)	– .15~.02			– .10 (.124)	– .15~.02
	←	ESE	.16	.06	2.58	.010	.16 (.010)	.04~.29			.16 (.010)	.04~.29
	←	HL	– .02	.02	– 0.24	.809	– .02 (.809)	– .04~.03			– .02 (.809)	– .04~.03
	←	HC	.08	.04	1.66	.097	.08 (.097)	– .01~.14			.08 (.097)	– .01~.14
	←	RIT	– .12	.05	– 2.22	.026	– .12 (.026)	– .19~– .01			– .12 (.026)	– .19~– .01
	←	AC	.28	.05	4.52	< .001	.28 (< .001)	.11~.28			.28 (< .001)	.11~.28
	←	PEOU	.20	.04	3.27	.001	.20 (.001)	.05~.38			.20 (.001)	.05~.38
PEOU	←	SI	.10	.11	1.56	.118	.10 (.118)	– .05~.25			.10 (.118)	– .05~.25	.38
	←	PSE	.38	.08	5.43	< .001	.38 (< .001)	.26~.55			.38 (< .001)	.26~.55
	←	ESE	.08	.12	1.18	.237	.08 (.237)	– .10~.38			.08 (.237)	– .10~.38
	←	HL	.09	.03	1.37	.169	.09 (.169)	– .02~.10			.09 (.169)	– .02~.10
	←	HC	– .02	.07	– 0.39	.695	– .02 (.695)	– .17~.11			– .02 (.695)	– .17~.11
	←	RIT	– .08	.09	– 1.31	.192	– .08 (.192)	– .28~.06			– .08 (.192)	– .28~.06
	←	AC	.12	.08	1.81	.070	.12 (.070)	– .02~.31			.12 (.070)	– .02~.31
ITU	←	SI	.13	.06	2.03	.042	.13 (.042)	.00~.26	.15 (.004)	.08~.24	.28 (.013)	.13~.43	.40
	←	PU	.46	.07	6.84	< .001	.46 (< .001)	.33~.59			.46 (< .001)	.33~.59
	←	PEOU	.16	.04	2.64	.008	.16 (.008)	.02~.16	.09 (.400)	.04~.17	.25 (.009)	.11~.40

AC = Accessibility; CI = Confidence interval; CR = Critical ratio; ESE = Environmental self-efficacy; HC = Health concern; HL = Health literacy; ITU = Intention to use; PEOU = Perceived ease of use; PSE = Personal self-efficacy; PU = Perceived usefulness; RIT = Resistance of innovative technology; SE = Standard error; SI = Social influence; SMC = Squared multiple correlation.

References

1. David Niewolny. What is a smart hospital? [Internet]. NVIDIA; c2022 [cited 2023 Apr 1]. Available from: https://blogs.nvidia.com/blog/what-is-a-smart-hospital/
2. Kwon H, An S, Lee HY, Cha WC, Kim S, Cho M, et al. Review of smart hospital services in real healthcare environments. Healthcare Informatics Research. 2022;28(1):3-15. https://doi.org/10.4258/hir.2022.28.1.3Article PubMed PMC
3. Rajaei O, Khayami SR, Rezaei MS. Smart hospital definition: Academic and industrial perspective. International Journal of Medical Informatics. 2024;182:105304. https://doi.org/10.1016/j.ijmedinf.2023.105304Article PubMed
4. Kim E, Han S. Investigating the digital health acceptance of Korean baby boomers: Comparative study of telemedicine and wearable healthcare devices. Health Policy and Technology. 2023;12(1):100727. https://doi.org/10.1016/j.hlpt.2023.100727Article
5. Aldekhyyel RN, Bakker CJ, Pitt MB, Melton GB. The impact of patient interactive systems on the management of pain in an inpatient hospital setting: A systematic review. Applied Clinical Informatics. 2019;10(4):580-596. https://doi.org/10.1055/s-0039-1694002Article PubMed PMC
6. Putranto D, Rochmawati E. Mobile applications for managing symptoms of patients with cancer at home: A scoping review. International Journal of Nursing Practice. 2020;26(4):e12842. https://doi.org/10.1111/ijn.12842Article PubMed
7. Rao-Gupta S, Kruger D, Leak LD, Tieman LA, Manworren RCB. Leveraging interactive patient care technology to improve pain management engagement. Pain Management Nursing. 2018;19(3):212-221. https://doi.org/10.1016/j.pmn.2017.11.002Article PubMed
8. Tang C, Lorenzi N, Harle CA, Zhou X, Chen Y. Interactive systems for patient-centered care to enhance patient engagement. Journal of the American Medical Informatics Association. 2016;23(1):2-4. https://doi.org/10.1093/jamia/ocv198Article PubMed PMC
9. Fernandez-Luque L, Karlsen R, Melton GB. HealthTrust: A social network approach for retrieving online health videos. Journal of Medical Internet Research. 2012;14(1):e22. https://doi.org/10.2196/jmir.1985Article PubMed PMC
10. Liszka HA, Steyer TE, Hueston WJ. Virtual medical care: How are our patients using online health information? Journal of Community Health. 2006;31(5):368-378. https://doi.org/10.1007/s10900-006-9019-3Article PubMed
11. Fox MP. A systematic review of the literature reporting on studies that examined the impact of interactive, computer-based patient education programs. Patient Education and Counseling. 2009;77(1):6-13. https://doi.org/10.1016/j.pec.2009.02.011Article PubMed
12. Korea Health Industry Development Institute (KHIDI). Research on smart hospital development plans to innovate medical services in the digital era [Internet]. KHIDI; c2021 [cited 2023 Apr 1]. Available from: https://www.khidi.or.kr/board/view?linkId=48855072&menuId=MENU00085
13. Venkatesh V, Davis FD. A theoretical extension of the technology acceptance model: Four longitudinal field studies. Management Science. 2000;46(2):186-204. https://doi.org/10.1287/mnsc.46.2.186.11926Article
14. Koehler MJ, Mishra P, Kereluik K, Shin TS, Graham CR. The technological pedagogical content knowledge framework. In: Spector J, Merrill M, Elen J, Bishop M, editors. Handbook of Research on Educational Communications and Technology. Springer; 2013. p. 101-111.
15. Shin HR, Kim SK, Kim YS. Effect of self-efficacy of middle-aged and elderly on the intention to use digital health devices: Focusing on the difference between middle-aged and elderly. Journal of Digital Convergence. 2020;18(10):13-22. https://doi.org/10.14400/JDC.2020.18.10.013Article
16. Lee J, Tak SH. Factors associated with eHealth literacy focusing on digital literacy components: A cross-sectional study of middle-aged adults in South Korea. Digital Health. 2022;8:20552076221102765. https://doi.org/10.1177/20552076221102765Article PubMed PMC
17. Alruwaili MM, Shaban M, Elsayed Ramadan OM. Digital health interventions for promoting healthy aging: A systematic review of adoption patterns, efficacy, and user experience. Sustainability. 2023;15(23):16503. https://doi.org/10.3390/su152316503Article
18. Korean Statistical Information Service (KOSIS). Sociodemographics by life stage [Internet]. KOSIS; c2022 [cited 2023 Apr 1]. Available from: https://kostat.go.kr/statDesc.es?act=view&mid=a10501010000&sttr_cd=S004008
19. Kwon KD. A survey on the public awareness of digital healthcare. Journal of Digital Contents Society. 2022;23(3):551-558. https://doi.org/10.9728/dcs.2022.23.3.551Article
20. AlQudah AA, Al-Emran M, Shaalan K. Technology acceptance in healthcare: A systematic review. Applied Sciences. 2021;11(22):10537. https://doi.org/10.3390/app112210537Article
21. Rahimi B, Nadri H, Lotfnezhad Afshar H, Timpka T. A systematic review of the technology acceptance model in health informatics. Applied Clinical Informatics. 2018;9(3):604-634. https://doi.org/10.1055/s-0038-1668091Article PubMed PMC
22. Ajzen I. The theory of planned behavior. Organizational Behavior and Human Decision Processes. 1991;50(2):179-211. https://doi.org/10.1016/0749-5978(91)90020-tArticle
23. Davis FD. Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly. 1989;13(3):319-340. https://doi.org/10.2307/249008Article
24. Taylor S, Todd PA. Understanding information technology usage: A test of competing models. Information Systems Research. 1995;6(2):144-176. https://doi.org/10.1287/isre.6.2.144Article
25. Koo JH, Jin KN. A study on the acceptance of telehealth services in 50-60s. Health and Social Welfare Review. 2021;41(1):265-282. https://doi.org/10.15709/hswr.2021.41.1.265Article
26. Kim SS, Ryu S. Structural relationships among factors to adoption of telehealth service. Asia Pacific Journal of Information Systems. 2011;21(3):71-96.
27. Lee LS, Lee SH, Jeong JS, Noh KY. Psychological factors influencing continuous use of mobile healthcare applications. Journal of Digital Convergence. 2017;15(7):445-456. https://doi.org/10.14400/JDC.2017.15.7.445Article
28. Jeong HK, Lee HJ, Lee JS. Acceptance intention of healthcare application by middle and elderly based on the technology readiness 2.0 and acceptance model. Korean Journal of Sport Management. 2021;26(1):108-123. https://doi.org/10.31308/KSSM.26.1.108Article
29. Kim YW, Han S, Kim KS. Determinants of intention to use digital healthcare service of middle and older users. Information Society & Media. 2018;19(3):1-23. https://doi.org/10.52558/ISM.2018.12.19.3.1Article
30. Hong M, Kang S, Yoo SC. Factors influencing the adoption of smart hospital healthcare services: An online survey of Chinese consumers. Health Service Management Review. 2022;16(1):49-61. https://doi.org/10.18014/hsmr.2022.16.1.49Article
31. Li J, Ma Q, Chan AH, Man SS. Health monitoring through wearable technologies for older adults: Smart wearables acceptance model. Applied Ergonomics. 2019;75:162-169. https://doi.org/10.1016/j.apergo.2018.10.006Article PubMed
32. Cimperman M, Makovec Brenčič M, Trkman P. Analyzing older users’ home telehealth services acceptance behavior-applying an Extended UTAUT model. International Journal of Medical Informatics. 2016;90:22-31. https://doi.org/10.1016/j.ijmedinf.2016.03.002Article PubMed
33. Bea YI, Shin HR. A study on the consumer acceptance of digital healthcare service using technology acceptance model (TAM): Focusing on healthcare app users. GRI Review. 2020;22(2):99-128. https://doi.org/10.23286/gri.2020.22.2.005Article
34. Noh GY, Choi J, Kwon MS. A test of extended technology acceptance model on health information seeking on the internet. Korean Journal of Broadcasting and Telecommunication Studies. 2013;27(5):49-85.
35. Jin S. A study of factors affecting use intention of untact medical diagnosis and consultation services. The Journal of the Korea Contents Association. 2020;20(12):180-197. https://doi.org/10.5392/jkca.2020.20.12.180Article
36. Woo JP. Concepts and understanding of structural equation model: Amos 4.0~20.0. Hannarae Publishing; 2012. p. 1-568.
37. Jang AY, Park JS. Factors influencing quality of life of cancer patients hospitalized in long-term care hospitals. Journal of Korean Gerontological Nursing. 2018;20(1):35-44. https://doi.org/10.17079/jkgn.2018.20.1.35Article
38. Bandura A. Self-efficacy: Toward a unifying theory of behavioral change. Psychological Review. 1977;84(2):191-215. https://doi.org/10.1037//0033-295x.84.2.191Article PubMed
39. Chen K, Chan AH. Gerontechnology acceptance by elderly Hong Kong Chinese: A senior technology acceptance model (STAM). Ergonomics. 2014;57(5):635-652. https://doi.org/10.1080/00140139.2014.895855Article PubMed
40. Norman CD, Skinner HA. eHEALS: The eHealth literacy scale. Journal of Medical Internet Research. 2006;8(4):e27. https://doi.org/10.2196/jmir.8.4.e27Article PubMed PMC
41. Chung S, Park BK, Nahm ES. The Korean eHealth Literacy Scale (K-eHEALS): Reliability and validity testing in younger adults recruited online. Journal of Medical Internet Research. 2018;20(4):e138. https://doi.org/10.2196/jmir.8759Article PubMed PMC
42. Kim J, Park HA. Development of a health information technology acceptance model using consumers’ health behavior intention. Journal of Medical Internet Research. 2012;14(5):e133. https://doi.org/10.2196/jmir.2143Article PubMed PMC
43. Ahadzadeh AS, Pahlevan Sharif S, Ong FS, Khong KW. Integrating health belief model and technology acceptance model: An investigation of health-related internet use. Journal of Medical Internet Research. 2015;17(2):e45. https://doi.org/10.2196/jmir.3564Article PubMed PMC
44. Rho MJ. A study of the expected benefit and perceived risk on telemedicine acceptance for hypertension management. Journal of International Trade & Commerce. 2013;9(1):343-361. https://doi.org/10.16980/jitc.9.1.201303.343Article
45. Cho DY. A study on the factors of preventive health recognition affecting the intention to continuous use of mobile healthcare service [dissertation]. Seoul: Soongsil University; 2020;1-111.
46. Ko DS. Elderly’s intention to use wearable device: Application of technology acceptance model. Journal of Sport for All. 2019;78:347-360. https://doi.org/10.51979/KSSLS.2019.10.78.347Article
47. Kim H, Goldsmith JV, Sengupta S, Mahmood A, Powell MP, Bhatt J, et al. Mobile health application and e-Health literacy: Opportunities and concerns for cancer patients and caregivers. Journal of Cancer Education. 2019;34(1):3-8. https://doi.org/10.1007/s13187-017-1293-5Article PubMed
48. Lin YH, Lou MF. Effects of mHealth-based interventions on health literacy and related factors: A systematic review. Journal of Nursing Management. 2021;29(3):385-394. https://doi.org/10.1111/jonm.13175Article PubMed
49. Emerson MR, Buckland S, Lawlor MA, Dinkel D, Johnson DJ, Mickles MS, et al. Addressing and evaluating health literacy in mHealth: A scoping review. mHealth. 2022;8:33. https://doi.org/10.21037/mhealth-22-11Article PubMed PMC
50. Kim HJ, Rha JY. Consumer resistance to smartwatches: Gender and age differences. The Journal of the Korea Contents Association. 2017;17(12):447-460. https://doi.org/10.5392/JKCA.2017.17.12.447Article

Figure & Data

REFERENCES

Citations

Citations to this article as recorded by

Research on the implementation path of digital-intelligent healthcare based on the TAM model from the perspective of high-quality development
Zijue Qi, Huize Han, Yidayetula Abuduaini, Aikeda Litipu, Jun Li
BMC Health Services Research.2026;[Epub] CrossRef

ePub Link

Cite

CITE: export Copy Download Format; Close

Download Citation

Download a citation file in RIS format that can be imported by all major citation management software, including EndNote, ProCite, RefWorks, and Reference Manager.

Format:

RIS — For EndNote, ProCite, RefWorks, and most other reference management software
BibTeX — For JabRef, BibDesk, and other BibTeX-specific software

Include:

Citation for the content below
Citation and abstract for the content below

Factors Affecting the Intention to Use Smartmonitor-Based Mobile Health in Middle-Aged in Patients Applying the Technology Acceptance Model II

J Korean Acad Nurs. 2024;54(4):620-632. Published online November 13, 2024

DOI: https://doi.org/10.4040/jkan.24091

XML Download

Figure

We recommend

Factors Affecting the Intention to Use Smartmonitor-Based Mobile Health in Middle-Aged in Patients Applying the Technology Acceptance Model II

Fig. 1. Conceptual framework of this study.

Fig. 2. Path diagram for the final model.

Fig. 1.

Fig. 2.

Factors Affecting the Intention to Use Smartmonitor-Based Mobile Health in Middle-Aged in Patients Applying the Technology Acceptance Model II

Variables	Categories	M ± SD	Intention to use
Variables	Categories	M ± SD	n (%)	M ± SD	t or F (p)
Gender	Man		80 (36.0)	12.16 ± 1.60	0.56 (.579)
Gender	Woman		142 (64.0)	12.03 ± 1.79
Age (yr)	40~49^a	52.7 ± 8.17	88 (39.6)	12.66 ± 1.65	10.84 (< .001)
	50~59^b		72 (32.5)	11.94 ± 1.55	a > c
	60~69^c		62 (27.9)	11.40 ± 1.77
Level of education	Middle school^a		27 (12.2)	11.00 ± 2.45	11.27 (< .001)
	High school^b		90 (40.5)	11.83 ± 1.32	a < c
	University^c		105 (47.3)	12.56 ± 1.66
Monthly income (10,000 won)	< 100^a		27 (12.2)	11.30 ± 2.20	3.57 (.030)
	100~< 200^b		26 (11.7)	11.92 ± 1.29	a < c
	≥ 200^c		169 (76.1)	12.22 ± 1.73
Subjective health status	Bad^a		10 (4.5)	10.90 ± 1.85	3.29 (.039)
	Average^b		131 (59.0)	12.02 ± 1.57	a < c
	Good^c		81 (36.5)	12.32 ± 1.89
Type of use of mobile health^†	Smartmonitor		179 (80.6)
	Pedometer		144 (64.9)
	Sleeping app		56 (25.2)
	Diet control		52 (23.4)
	Alarm to medication		41 (18.5)
	Others		37 (16.7)

Variables	M ± SD	Range	Skewness	Kurtosis	1	2	3	4	5	6	7	8	9	10
Variables	M ± SD	Range	Skewness	Kurtosis	r (p)
Social influence	11.97 ± 1.72	6~15	– 0.12	0.42	1
Personal self-efficacy	10.46 ± 2.67	3~15	– 0.41	– 0.07	.31 (< .001)	1
Environmental self-efficacy	12.05 ± 1.64	6~15	– 0.24	0.95	.48 (< .001)	.45 (< .001)	1
Health literacy	36.08 ± 6.52	15~50	– 0.19	0.27	.32 (< .001)	.58 (< .001)	.32 (< .001)	1
Health concern	16.09 ± 2.27	12~20	0.23	– 0.71	.21 (.002)	.21 (.001)	.26 (< .001)	.22 (.001)	1
Resistance of innovative technology	7.19 ± 1.97	3~15	0.56	1.10	– .34 (< .001)	– .19 (.005)	– .27 (< .001)	– .04 (.546)	– .10 (.122)	1
Accessibility	15.33 ± 2.41	4~20	– 0.55	1.92	.45 (< .001)	.42 (< .001)	.49 (< .001)	.42 (< .001)	.27 (< .001)	– .33 (< .001)	1
Perceived usefulness	12.45 ± 1.71	7~15	– 0.13	– 0.01	.56 (< .001)	.31 (< .001)	.50 (< .001)	.29 (< .001)	.27 (< .001)	– .38 (< .001)	.57 (< .001)	1
Perceived ease of use	15.10 ± 2.87	8~20	– 0.22	– 0.13	.36 (< .001)	.56 (< .001)	.40 (< .001)	.42 (< .001)	.16 (.016)	– .24 (< .001)	.42 (< .001)	.45 (< .001)	1
Intention to use	12.08 ± 1.73	6~15	– 0.59	1.59	.44 (< .001)	.39 (< .001)	.36 (< .001)	.26 (< .001)	.18 (.009)	– .27 (< .001)	.48 (< .001)	.60 (< .001)	.41 (< .001)	1

Endogenous variables		Exogenous variables	Hypothetical model				Direct effect		Indirect effect		Total effect		SMC
Endogenous variables		Exogenous variables	β	SE	CR	p	β (p)	95% CI	β (p)	95% CI	β (p)	95% CI	SMC
PU	←	SI	.27	.06	4.67	< .001	.27 (< .001)	.15~.39			.27 (< .001)	.15~.39	.51
	←	PSE	– .10	.04	– 1.54	.124	– .10 (.124)	– .15~.02			– .10 (.124)	– .15~.02
	←	ESE	.16	.06	2.58	.010	.16 (.010)	.04~.29			.16 (.010)	.04~.29
	←	HL	– .02	.02	– 0.24	.809	– .02 (.809)	– .04~.03			– .02 (.809)	– .04~.03
	←	HC	.08	.04	1.66	.097	.08 (.097)	– .01~.14			.08 (.097)	– .01~.14
	←	RIT	– .12	.05	– 2.22	.026	– .12 (.026)	– .19~– .01			– .12 (.026)	– .19~– .01
	←	AC	.28	.05	4.52	< .001	.28 (< .001)	.11~.28			.28 (< .001)	.11~.28
	←	PEOU	.20	.04	3.27	.001	.20 (.001)	.05~.38			.20 (.001)	.05~.38
PEOU	←	SI	.10	.11	1.56	.118	.10 (.118)	– .05~.25			.10 (.118)	– .05~.25	.38
	←	PSE	.38	.08	5.43	< .001	.38 (< .001)	.26~.55			.38 (< .001)	.26~.55
	←	ESE	.08	.12	1.18	.237	.08 (.237)	– .10~.38			.08 (.237)	– .10~.38
	←	HL	.09	.03	1.37	.169	.09 (.169)	– .02~.10			.09 (.169)	– .02~.10
	←	HC	– .02	.07	– 0.39	.695	– .02 (.695)	– .17~.11			– .02 (.695)	– .17~.11
	←	RIT	– .08	.09	– 1.31	.192	– .08 (.192)	– .28~.06			– .08 (.192)	– .28~.06
	←	AC	.12	.08	1.81	.070	.12 (.070)	– .02~.31			.12 (.070)	– .02~.31
ITU	←	SI	.13	.06	2.03	.042	.13 (.042)	.00~.26	.15 (.004)	.08~.24	.28 (.013)	.13~.43	.40
	←	PU	.46	.07	6.84	< .001	.46 (< .001)	.33~.59			.46 (< .001)	.33~.59
	←	PEOU	.16	.04	2.64	.008	.16 (.008)	.02~.16	.09 (.400)	.04~.17	.25 (.009)	.11~.40

Table 1. Differences in Intentions to Use according to the General Characteristics of Participants (N=222)

M = Mean; SD = Standard deviation.

†

Multiple response.

Table 2. Level of Study Variables and Correlations of Related Variables (N = 222)

M = Mean; SD = Standard deviation.

Table 3. Total Direct, and Indirect Effect of the Hypothetical Model (N = 222)