Erweiterung des UTAUT2-Technologieakzeptanzmodells zur Vorhersage der Akzeptanz von mHealth am Beispiel von Diabetes

mibe000271 10.3205/mibe000271 urn:nbn:de:0183-mibe0002719 Originalarbeit Erweiterung des UTAUT2-Technologieakzeptanzmodells zur Vorhersage der Akzeptanz von mHealth am Beispiel von Diabetes Extending the UTAUT2 technology acceptance model for predicting mHealth acceptance using diabetes as an example Schretzlmaier Schretzlmaier Patrik P Dr. phil.

Institut für Medizinische Informatik, UMIT TIROL – Private Universität für Gesundheitswissenschaften und -technologie, Eduard-Wallnöfer-Zentrum 1, 6060 Hall in Tirol, ÖsterreichInstitut für Medizinische Informatik, UMIT TIROL – Private Universität für Gesundheitswissenschaften und -technologie, Hall in Tirol, Österreich

patrik.schretzlmaier@umit-tirol.at author German Medical Science GMS Publishing House

Düsseldorf

610 mHealth, mobile health mobile app technology acceptance model UTAUT2 diabetes mixed methods Technologieakzeptanz digitale Gesundheitsanwendungen Diabetes Selbstmanagement GMDS-Förderpreis 2024 20241211 germ This is an Open Access article distributed under the terms of the Creative Commons Attribution 4.0 License. Dieser Artikel ist ein Open-Access-Artikel und steht unter den Lizenzbedingungen der Creative Commons Attribution 4.0 License (Namensnennung). 1860-9171 20 GMS Medizinische Informatik, Biometrie und Epidemiologie GMS Med Inform Biom Epidemiol 15 Hintergrund: Mobile Gesundheitsanwendungen (mHealth) gewinnen zunehmend an Bedeutung, insbesondere für das Selbstmanagement chronischer Krankheiten wie Diabetes. Trotz ihres Potenzials werden mHealth-Anwendungen aufgrund von Akzeptanzproblemen nicht von allen Patient*innen genutzt. Ziel dieser Arbeit ist es, die Akzeptanz von mHealth-Anwendungen mittels des Technologieakzeptanzmodells Unified Theory of Acceptance and Use of Technology 2 (UTAUT2) zu untersuchen und UTAUT2 für den mHealth-Bereich weiterzuentwickeln.Methoden: Die Arbeit basiert auf einem Mixed-Methods-Ansatz. In der ersten, qualitativen Forschungsphase werden relevante mHealth-Akzeptanzfaktoren ermittelt und in der darauffolgenden quantitativen Forschungsphase in das UTAUT2-Modell integriert und validiert.Ergebnisse: Die Studie zeigt, dass die UTAUT2-Konstrukte Leistungserw</PlainText></TextGroup>artung und Gewohnheit einen signifikanten Einfluss auf die Akzeptanz von mHealth-Anwendungen haben. Darüber hinaus wurden zwei neue Konstrukte, Vertrauen und wahrgenommene Krankheitsbedrohung, im Rahmen der qualitativen Studie identifiziert und in der anschließenden quantitativen Studie bestätigt.</Pgraph><Pgraph><Mark1>Diskussion:</Mark1> Im Rahmen dieser Arbeit konnte das UTAUT2-Modell erfolgreich um die Konstrukte Vertrauen und wahrgenommene Krankheitsbedrohung für den mHealth-Kontext erweitert und validiert werden.</Pgraph></Abstract> <Abstract language="en" linked="yes"><Pgraph><Mark1>Background:</Mark1> Mobile health applications (mHealth) are becoming increasingly important, especially for the self-management of chronic diseases such as diabetes. Despite their potential, mHealth applications are not used by all patients due to acceptance problems. The aim of this study is to investigate the acceptance of mHealth applications using the Unified Theory of Acceptance and Use of Technology 2 (UTAUT2) technology acceptance model and to further develop UTAUT2 for the mHealth sector.</Pgraph><Pgraph><Mark1>Methods:</Mark1> This study is based on a mixed methods approach. In the first, qualitative research phase, relevant mHealth acceptance factors are identified and then integrated and validated in the UTAUT2 model in the subsequent quantitative research phase.</Pgraph><Pgraph><Mark1>Results:</Mark1> The study shows that the UTAUT2 constructs performance expectancy and habit have a significant influence on the acceptance of mHealth applications. In addition, two new constructs, trust, and perceived disease threat, were identified in the qualitative study and confirmed in the subsequent quantitative study.</Pgraph><Pgraph><Mark1>Discussion:</Mark1> In this study, the UTAUT2 model was successfully extended and validated for the mHealth context by the constructs trust and perceived disease threat.</Pgraph><Pgraph> </Pgraph></Abstract> <TextBlock linked="yes" name="Einleitung"> <MainHeadline>Einleitung</MainHeadline><Pgraph>Weltweit stellt der Zugang zu angemessener Gesundheitsversorgung eine wachsende Herausforderung dar.</Pgraph><Pgraph>Chronische Krankheiten wie Diabetes erfordern ein kontinuierliches und langfristiges Management, wobei insbesondere das Selbstmanagement eine entscheidende Rolle spielt <TextLink reference="1"></TextLink>. Mobile Gesundheitsanwendungen (<TextGroup><PlainText>mHealt</PlainText></TextGroup>h) haben sich als wirksame Instrumente für das Selbstmanagement von Diabetes erwiesen, um die Therapietreue und das Bewusstsein für die Krankheit zu verbessern und so Gesundheitskosten zu reduzieren <TextLink reference="1"></TextLink>, <TextLink reference="2"></TextLink>, <TextLink reference="3"></TextLink>. </Pgraph><Pgraph>Trotz der in zahlreichen Studien gezeigten Vorteile von mHealth-Anwendungen für das Diabetes-Selbstmanagement werden diese Anwendungen noch immer nicht von allen Patient*innen akzeptiert und konsequent genutzt <TextLink reference="4"></TextLink>, <TextLink reference="5"></TextLink>. </Pgraph><Pgraph>Zur Vorhersage der Akzeptanz von Informationstechnologien wird das Unified Theory of Acceptance and Use of Technology 2 (UTAUT2) Modell verwendet <TextLink reference="6"></TextLink>. UTAUT2 wurde bereits in vielen Bereichen erfolgreich eingesetzt, berücksichtigt jedoch zu wenig gesundheitsbezogene Akzeptanzfaktoren <TextLink reference="7"></TextLink>, <TextLink reference="8"></TextLink>. </Pgraph><Pgraph>Das Ziel dieser Arbeit ist es daher, UTAUT2 für den Einsatz im mHealth-Bereich weiterzuentwickeln. Dadurch soll das Verständnis und die Vorhersage von Akzeptanz für <TextGroup><PlainText>mHea</PlainText></TextGroup>lth-Anwendungen verbessert werden. Im Rahmen der Arbeit wurden folgende Forschungsfragen adressiert:</Pgraph><Pgraph><UnorderedList><ListItem level="1">Welche Faktoren spielen für die Akzeptanz mobiler Diabetesanwendungen durch Diabetespatient*innen eine Rolle?</ListItem><ListItem level="1">Inwieweit bildet das UTAUT2-Modell diese Faktoren ab?</ListItem><ListItem level="1">Inwieweit ist das UTAUT2-Modell geeignet, die Akzeptanz mobiler Diabetesanwendungen durch Diabetespa<TextGroup><PlainText>t</PlainText></TextGroup>ient*innen vorherzusagen?</ListItem></UnorderedList></Pgraph></TextBlock> <TextBlock linked="yes" name="Methoden"> <MainHeadline>Methoden</MainHeadline><Pgraph>Die Mixed-Methods-Studie wurde in einem zweiphasigen explorativen Design durchgeführt, welches aus einer initialen qualitativen Studie und einer darauf aufbauenden quantitativen Studie besteht. Das zweiphasige Studiendesign wurde gewählt, da es sich besonders eignet, um in der ersten qualitativen Phase die relevanten mHealth-Akzeptanzfaktoren und entsprechenden Zusammenhänge zu identifizieren und in der darauf aufbauenden quantitativen Studienphase durch die Integration und Erweiterung in das UTAUT2-Modell zu validieren.</Pgraph><SubHeadline>Qualitative Studie</SubHeadline><Pgraph>Das Ziel der qualitativen Studie war es, die für die m<TextGroup><PlainText>Heal</PlainText></TextGroup>th-Akzeptanz relevanten Faktoren zu identifizieren. Dazu baut die qualitative Studie auf vier aufeinanderfolgenden Forschungsschritten auf (explorative Literaturre<TextGroup><PlainText>c</PlainText></TextGroup>herche, Leitfa<TextGroup><PlainText>d</PlainText></TextGroup>eninterviews mit Expert*innen, Leitfa<TextGroup><PlainText>d</PlainText></TextGroup>eninterviews mit Nutzer*innen und qualitative Methodentriangulation). </Pgraph><Pgraph>Im ersten Schritt erfolgte zwischen März und November 2020 eine explorative Literaturrecherche in der Datenbank MEDLINE, die insgesamt 582 wissenschaftliche Artikel mit Bezug zum mHealth-Kontext identifizierte. Diese wurden entsprechend systematisch gescreent, sodass insgesamt 34 Studien identifiziert wurden, welche die Einschlusskriterien erfüllten, wie beispielsweise den Bezug zu mHealth-Akzeptanzfaktoren im Bereich Diabetes, aber auch die Verwendung von Technologieakzeptanzmodellen wie dem UTAUT2-Modell. </Pgraph><Pgraph>Im zweiten Schritt fanden von Dezember 2020 bis März 2021 Leitfadeninterviews mit elf führenden Expert*innen im Bereich mHealth oder Technologieakzeptanz aus Österreich und Deutschland statt. Die Auswahl dieser Personen erfolgte anhand ihrer einschlägigen Publikationen und ihrer mindestens dreijährigen Erfahrung in diesen Gebieten, wodurch sie als ausgewiesene Expert*innen für die Studie qualifiziert waren. Das Ziel der Interviews bestand darin, mHealth-Akzeptanzfaktoren aus der Perspektive von Expert*innen zu identifizieren.</Pgraph><Pgraph>Im nächsten Schritt wurden zwischen März und Mai 2021 acht Leitfadeninterviews mit Typ 1- oder Typ 2-Diabetiker*innen sowie Personen, die einen Angehörigen mit Diabetes betreuen und dabei seit mindestens drei Monaten eine mHealth-Anwendung einsetzen, aus Österreich und Deutschland durchgeführt. Das Ziel der Interviews war es, die für die mHealth-Akzeptanz relevanten Faktoren aus Sicht von Nutzer*innen zu identifizieren. Sowohl die Leitfadeninterviews mit den Expert*innen als auch mit den Nutzer*innen wurden online durchgeführt.</Pgraph><Pgraph>Die Auswertung der qualitativen Daten aus der explorativen Literaturrecherche und den Leitfadeninterviews erfolgte mit Hilfe der strukturierenden Inhaltsanalyse nach Kuckartz <TextLink reference="9"></TextLink>. Zur Kodierung und Transkription der qualitativen Daten wurde die qualitative Datenanalysesoftware MAXQDA 2020 (Version 20.4.0; VERBI GmbH) verwendet <TextLink reference="10"></TextLink>.</Pgraph><Pgraph>Um die relevanten mHealth-Akzeptanzfaktoren für die Erweiterung des UTAUT2-Modells abschließend zu bestätigen, wurden die Ergebnisse der explorativen Literaturre<TextGroup><PlainText>c</PlainText></TextGroup>herche mit denen der Leitfadeninterviews mit den Expert*innen sowie den Nutzer*innen mittels methodeninterner Triangulation entsprechend Flick <TextLink reference="11"></TextLink> trianguliert.</Pgraph><SubHeadline>Quantitative Studie</SubHeadline><Pgraph>Das Ziel der quantitativen Studie war es, das <TextGroup><PlainText>UTAUT</PlainText></TextGroup>2-Modell um die in der qualitativen Studienphase identifizierten, relevanten mHealth-Akzeptanzfaktoren zu erweitern und zu validieren. Dazu baut die quantitative Studie auf vier aufeinanderfolgenden Schritten auf (Fragebogenentwicklung, Fragebogenvalidierung, Datenerhebung und Datenauswertung). Abbildung 1 <ImgLink imgNo="1" imgType="figure"/> zeigt das erweiterte <TextGroup><PlainText>UTAUT</PlainText></TextGroup>2-Modell mit den hypothetischen Beziehungen zwischen den latenten Konstrukten.</Pgraph><Pgraph>Im ersten Schritt erfolgte die Fragebogenentwicklung, deren Grundlage die validierte, deutsche Übersetzung des UTAUT2-Fragebogens <TextLink reference="12"></TextLink> bildete. Anschließend erfolgte in Anlehnung an vergleichbare Studien die Fragebogenvalidierung in Form eines qualitativen Pre-Tests mit fünf Expert*innen und fünf Nutzer*innen aus der Zielgruppe, um die Inhaltsvalidität und die Verständlichkeit sicherzustellen. </Pgraph><Pgraph>Im dritten Schritt wurde der erweiterte UTAUT2-Fragebogen eingesetzt, um Diabetiker*innen im Zeitraum von März bis Mai 2022 mit Hilfe der Software UmfrageOnline (<Hyperlink href="https://www.umfrageonline.com/">https://www.umfrageonline.com/</Hyperlink>) zu ihrer mHealth-Ak<TextGroup><PlainText>z</PlainText></TextGroup>eptanz zu befragen. Die Online-Befragung richtete sich an Personen aus deutschsprachigen Ländern wie Österreich und Deutschland, die 18 Jahre oder älter waren und an Typ 1-, Typ 2- oder anderen Formen von Diabetes erkrankt waren oder Angehörige mit Diabetes betreuten. Die Teilnehmer*innen mussten zudem eine mobile Diabetesanwendung (z.B. eine Smartphone-Dia<TextGroup><PlainText>b</PlainText></TextGroup>etes-App oder ein Continuous Glucose Monitoring (CGM) System) seit mindestens drei Monaten nutzen, da einige Konstrukte, wie Gewohnheit, eine aktuelle Nutzung voraussetzen <TextLink reference="6"></TextLink>. Um Stichprobenverzerrungen zu minimieren, erfolgte die Rekrutierung nicht nur über soziale Medien, sondern auch in Zusammenarbeit mit Gatekeepern in Diabetesverbänden und <TextGroup><PlainText>-s</PlainText></TextGroup>elbsthilfegruppen sowie durch direkte Kontakte zu medizinischem Personal in Diabetesambulanzen, die den Link zum Onli<TextGroup><PlainText>n</PlainText></TextGroup>e-Fragebogen weiterleiteten.</Pgraph><Pgraph>Die Datenauswertung erfolgte abschließend mittels deskriptiver und inferenzstatistischer Datenanalyse. Ziel der deskriptiven Datenanalyse war die Auswertung der soziodemographischen Daten. Im Rahmen der inferenzstatistischen Datenauswertung wurde die Partial Least Squares Strukturgleichungsmodellierung (PLS-SEM) angewendet, eine Methode, die sich besonders für komplexe Modelle mit Fokus auf Vorhersage sowie für kleine und nicht normalverteilte Stichproben eignet <TextLink reference="13"></TextLink>. Für die Auswertung der Mess- und Strukturmodelle wurde die Analysesoftware SmartPLS3 (Version 3.3.9, SmartPLS GmbH) verwendet, die speziell für PLS-SEM entwickelt wurde. Zur Beurteilung der reflektiv spezifizierten Messmodelle wurden Gütekriterien wie Konvergenzvalidität, interne Konsistenzreliabilität und Diskriminanzvalidität herangezogen <TextLink reference="14"></TextLink>. Das Strukturmodell wurde anhand von Gütekriterien wie Pfadkoeffizienten, Bestimmtheitsmaß (R²), Prognoserelevanz (Q²) und f²-Effektstärke bewertet <TextLink reference="14"></TextLink>.</Pgraph><Pgraph>Weitere Details zur Methodik der qualitativen und quantitativen Studie, wie beispielsweise Rekrutierung der Studienteilnehmer*innen und deren soziodemographischen Merkmale, aber auch Informationen zur Fragebo<TextGroup><PlainText>g</PlainText></TextGroup>envalidierung und Gütekriterien, finden sich in Publikationen von Schretzlmaier et al. <TextLink reference="15"></TextLink>, <TextLink reference="16"></TextLink>.</Pgraph></TextBlock> <TextBlock linked="yes" name="Ergebnisse"> <MainHeadline>Ergebnisse</MainHeadline><SubHeadline>Qualitative Studie</SubHeadline><Pgraph>Die qualitative Studie bestätigte, dass alle exogenen Konstrukte des UTAUT2-Modells für die mHealth-Akzeptanz von Bedeutung sind. Darüber hinaus wurden zwei neue Konstrukte identifiziert, welche für die mHealth-Akzeptanz relevant erscheinen, aber bisher fehlen:</Pgraph><Pgraph><UnorderedList><ListItem level="1">„Vertrauen“ </ListItem><ListItem level="1">„wahrgenommene Krankheitsbedrohung“</ListItem></UnorderedList></Pgraph><Pgraph>Vertrauen kann dabei verstanden werden als das Vertrauen in die Sicherheit, Privatsphäre und Qualität der durch die mHealth-Anwendung erhobenen Daten. Die wahrgenommene Krankheitsbedrohung beschreibt die Sorge um die eigene Gesundheit und die daraus resultierende erhöhte Bereitschaft zur Nutzung von mHealth-Anwendungen.</Pgraph><SubHeadline>Quantitative Studie</SubHeadline><Pgraph>Insgesamt nahmen 413 Diabetes-Patient*innen an der Studie teil. Im Rahmen der inferenzstatistischen Auswertung mittels PLS-SEM konnte gezeigt werden, dass die UTAUT2-Konstrukte „Leistungserwartung“ und „Gewohnheit“ sowie die beiden neuen Konstrukte „wahrgenommene Krankheitsbedrohung“ und „Vertrauen“ einen signifikanten Einfluss auf die Vorhersage der mHealth-Akzeptanz haben (siehe Abbildung 2 <ImgLink imgNo="2" imgType="figure"/>). Darüber hinaus konnte gezeigt werden, dass das erweiterte UTAUT2-Modell 35% der Varianz in der mHealth-Akzeptanz erklärt.</Pgraph><Pgraph>Weitere Informationen zu den Ergebnissen der qualitativen und quantitativen Studie, wie beispielsweise Auszüge aus den Interviews, aber auch Angaben zu den Gütekriterien der Mess- und Strukturmodellevaluation, finden sich in den Publikationen von Schretzlmaier et al. <TextLink reference="15"></TextLink>, <TextLink reference="16"></TextLink>. </Pgraph></TextBlock> <TextBlock linked="yes" name="Diskussion"> <MainHeadline>Diskussion</MainHeadline><Pgraph>Die Studie bestätigte die grundsätzliche Eignung des UTAUT2-Modells für den mHealth-Kontext. Darüber hinaus bestätigte und identifizierte sie zwei neue Konstrukte, welche für die Vorhersage der mHealth-Akzeptanz relevant sind: „Vertrauen“ und „wahrgenommene Krankheitsbedrohung“.</Pgraph><Pgraph>Das resultierende Modell erklärt 35% der Varianz in der mHealth-Akzeptanz, was einer mittleren Vorhersagekraft verglichen mit anderen mHealth-Akzeptanzstudien (19% bei Schomakers et al. <TextLink reference="7"></TextLink> und 56% bei Breil et al. <TextLink reference="8"></TextLink>) entspricht. Ein Grund für die eher niedrige Vorhersagekraft des erweiterten UTAUT2-Modells könnte sein, dass Konstrukte wie z.B. „Aufwandserwartung“ oder „Hedonische Motivation“ im Kontext chronischer Erkrankungen eine eher untergeordnete Rolle spielen <TextLink reference="17"></TextLink>, <TextLink reference="18"></TextLink>. Ein weiterer Faktor könnte die Zusammensetzung der Stichprobe sein, die hauptsächlich aus weiblichen Typ 1-Diabetiker*innen besteht, die CGM-Systeme nutzen. </Pgraph><SubHeadline>Neuheitswert der Studie</SubHeadline><Pgraph>Frühere mHealth-Akzeptanzstudien haben zwar bereits die Konstrukte „Vertrauen“ <TextLink reference="7"></TextLink>, <TextLink reference="19"></TextLink> und „wahrgenommene Krankheitsbedrohung“ <TextLink reference="17"></TextLink>, <TextLink reference="20"></TextLink> unabhängig voneinander erwähnt, jedoch liegt die Stärke dieser Arbeit im zweiphasigen Forschungsdesign. Dabei wurden die neuen Konstrukte innerhalb der qualitativen Studie mithilfe von drei unabhängigen Quellen identifiziert und im Rahmen der qualitativen Methodentriangulation bestätigt. Anschließend wurden sie als validierte Konstrukte in das UTAUT2-Modell integriert und in der quantitativen Studie erneut bestätigt. Dieses mehrstufige Studiendesign ermöglichte es, das Forschungsfeld aus verschiedenen Perspektiven zu erkunden und die Eignung des UTAUT2-Modells zu bestätigen, das zum Zeitpunkt der Studie im mHealth-Kontext nur selten eingesetzt wurde. Gleichzeitig konnten die in der qualitativen Studie identifizierten zusätzlichen Konstrukte in der anschließenden quantitativen Querschnittsstudie validiert werden. Diese methodische Vorgehensweise stellt im Vergleich zu anderen mHealth-Studien einen bedeutenden Neuheitswert dar.</Pgraph><SubHeadline>Limitationen der Studie</SubHeadline><Pgraph>Sowohl in der qualitativen als auch in der quantitativen Studie besteht das Potenzial einer Stichprobenverzerrung. Im Rahmen der qualitativen Studie aufgrund der Stichprobengröße und der bewussten Stichprobenbildung innerhalb der Interviews, welcher aber durch den Einsatz der Methode der theoretischen Sättigung begegnet wurde. Im Rahmen der quantitativen Studie durch den Einsatz eines „Convenience Samples“ mit Einschränkung auf aktive und erfahrene Nutzer*innen, wobei verschiedene Rekrutierungsmethoden genutzt wurden, um dieser entgegenzuwirken. Der Ausschluss von Nichtnutzern und seltenen Nutzern könnte jedoch dazu führen, dass Akzeptanzbarrieren und potenzielle Gründe für die Nichtnutzung von mHealth-Anwendungen in der Studie nicht ausreichend berücksichtigt wurden. Des Weiteren könnte es in der qualitativen Studie zu einer möglichen Ungleichge<TextGroup><PlainText>w</PlainText></TextGroup>ichtung der identifizierten mHealth-Akzeptanzfaktoren gekommen sein, wobei diesem Risiko durch den Einsatz der qualitativen Methodentriangulation begegnet wurde.</Pgraph><SubHeadline>Bedeutung und Generalisierbarkeit der Studie</SubHeadline><Pgraph>Die Arbeit hat gezeigt, dass einige UTAUT2-Konstrukte im Kontext dieser Studie relevant für die mHealth-Akzeptanz sind. Andere UTAUT2-Konstrukte, wie beispielsweise Preis und Wert, konnten nicht bestätigt werden, was möglicherweise auf regionale Faktoren wie das zugrunde liegende Gesundheitssystem in den untersuchten Stichproben zurückzuführen ist. Daneben konnte das UTAUT2-Modell um die Konstrukte „wahrgenommene Krankheitsbedrohung“ und „Vertrauen“ erweitert werden, welche sich als relevant für die Vorhersage der Akzeptanz von mobilen Diabetesanwendungen erwiesen haben. Aufgrund des spezifischen Studiensettings ist eine Generalisierbarkeit der Ergebnisse nur eingeschränkt und unter Berücksichtigung der entsprechenden Rahmenbedingungen (z.B. aktive mHealth-Nutzer*innen, chronische Erkrankung, vergleichbares Gesundheitssystem, technische Infrastruktur, etc.) wie sie in der quantitativen Querschnittstudie zu Grunde lagen, möglich. Wird eine alternative Stichprobe mit anderen Charakteristika (z.B. Personen mit einer anderen chronischen Erkrankung) betrachtet, sind unterschiedliche Ergebnisse zu erwarten.</Pgraph><SubHeadline>Praktische Relevanz der Studie</SubHeadline><Pgraph>Die Arbeit zeigt, dass verschiedene Faktoren wie Gewohnheit, Vertrauen, wahrgenommene Krankheitsbedrohung und Leistungserwartung für die Nutzer*innen von m<TextGroup><PlainText>Hea</PlainText></TextGroup>lth-Anwendungen wichtig sind, während andere Faktoren wie sozialer Einfluss oder Preis und Wert eine eher untergeordnete Rolle spielen. Diese als wichtig identifizierten Akzeptanzfaktoren sind besonders relevant für die Entwicklung neuer mHealth-Anwendungen, um sicherzustellen, dass diese von den Nutzer*innen akzeptiert werden.</Pgraph><SubHeadline>Implikationen für künftige Forschung</SubHeadline><Pgraph>Zukünftige Forschungsarbeiten sollten neben der Anwendung der gewonnenen Erkenntnisse aus dieser Arbeit vor allem untersuchen, ob diese in anderen Kontexten, wie bei verschiedenen chronischen Erkrankungen, übertragbar sind, um die Generalisierbarkeit zu erweitern. Außerdem sollten andere Nutzergruppen wie seltene Nutzer und Nichtnutzer berücksichtigt werden, um zu prüfen, inwieweit dies die Vorhersage der mHealth-Akzeptanz positiv beeinflusst.</Pgraph><SubHeadline>Schlussfolgerung</SubHeadline><Pgraph>Im Rahmen dieser Forschungsarbeit konnte das UTAUT2-Modell erfolgreich um die beiden Konstrukte „Vertrauen“ und „wahrgenommene Krankheitsbedrohung“ erweitert und validiert werden. Dabei konnte gezeigt werden, dass die beiden Konstrukte einen Beitrag zur Vorhersage der mHealth-Akzeptanz leisten und somit das Studienziel erreicht und die Forschungslücke geschlossen werden konnte.</Pgraph></TextBlock> <TextBlock linked="yes" name="Anmerkungen"> <MainHeadline>Anmerkungen</MainHeadline><SubHeadline>Dissertation</SubHeadline><Pgraph>Der Artikel ist eine Zusammenfassung der Dissertation mit dem Titel „Extending the UTAUT2 technology acceptance model for predicting mHealth acceptance using diabetes as an example“ im Fachbereich Medizinische Informatik an der UMIT Tirol.</Pgraph><SubHeadline>GMDS-Förderpreis 2024</SubHeadline><Pgraph>Die Dissertation mit dem Titel „Extending the UTAUT2 technology acceptance model for predicting mHealth acceptance using diabetes as an example“ wurde als beste Dissertation im Fachbereich Medizinische Informatik mit dem GMDS-Förderpreis 2024 (<Hyperlink href="https://www.gmds.de/preise-ehrungen/gmds-foerderpreise-fuer-studierende/">https://www.gmds.de/preise-ehrungen/gmds-foerderpreise-fuer-studierende/</Hyperlink>) ausgezeichnet.</Pgraph><SubHeadline>Interessenkonflikte</SubHeadline><Pgraph>Der Autor erklärt, dass er keine Interessenkonflikte in Zusammenhang mit diesem Artikel hat.</Pgraph></TextBlock> <References linked="yes"> <Reference refNo="1"> <RefAuthor>Peng W</RefAuthor> <RefAuthor>Yuan S</RefAuthor> <RefAuthor>Holtz BE</RefAuthor> <RefTitle>Exploring the Challenges and Opportunities of Health Mobile Apps for Individuals with Type 2 Diabetes Living in Rural Communities</RefTitle> <RefYear>2016</RefYear> <RefJournal>Telemed J E Health</RefJournal> <RefPage>733-8</RefPage> <RefTotal>Peng W, Yuan S, Holtz BE. Exploring the Challenges and Opportunities of Health Mobile Apps for Individuals with Type 2 Diabetes Living in Rural Communities. Telemed J E Health. 2016 Sep;22(9):733-8. DOI: 10.1089/tmj.2015.0180</RefTotal> <RefLink>https://doi.org/10.1089/tmj.2015.0180</RefLink> </Reference> <Reference refNo="2"> <RefAuthor>Wu X</RefAuthor> <RefAuthor>Guo X</RefAuthor> <RefAuthor>Zhang Z</RefAuthor> <RefTitle>The Efficacy of Mobile Phone Apps for Lifestyle Modification in Diabetes: Systematic Review and Meta-Analysis</RefTitle> <RefYear>2019</RefYear> <RefJournal>JMIR Mhealth Uhealth</RefJournal> <RefPage>e12297</RefPage> <RefTotal>Wu X, Guo X, Zhang Z. The Efficacy of Mobile Phone Apps for Lifestyle Modification in Diabetes: Systematic Review and Meta-Analysis. JMIR Mhealth Uhealth. 2019 Jan;7(1):e12297. DOI: 10.2196/12297</RefTotal> <RefLink>https://doi.org/10.2196/12297</RefLink> </Reference> <Reference refNo="3"> <RefAuthor>Reineke L</RefAuthor> <RefAuthor>Hübner U</RefAuthor> <RefAuthor>Kröner S</RefAuthor> <RefAuthor>Liebe JD</RefAuthor> <RefTitle>Should App Self-Management Mean Self-Control? A Quantiative Study on App Supported Diabetes Self-Management</RefTitle> <RefYear>2022</RefYear> <RefJournal>Stud Health Technol Inform</RefJournal> <RefPage>531-5</RefPage> <RefTotal>Reineke L, Hübner U, Kröner S, Liebe JD. Should App Self-Management Mean Self-Control? A Quantiative Study on App Supported Diabetes Self-Management. Stud Health Technol Inform. 2022;290:531-5. DOI: 10.3233/SHTI220133</RefTotal> <RefLink>https://doi.org/10.3233/SHTI220133</RefLink> </Reference> <Reference refNo="4"> <RefAuthor>Bults M</RefAuthor> <RefAuthor>van Leersum CM</RefAuthor> <RefAuthor>Olthuis TJJ</RefAuthor> <RefAuthor>Bekhuis REM</RefAuthor> <RefAuthor>den Ouden MEM</RefAuthor> <RefTitle>Barriers and Drivers Regarding the Use of Mobile Health Apps Among Patients With Type 2 Diabetes Mellitus in the Netherlands: Explanatory Sequential Design Study</RefTitle> <RefYear>2022</RefYear> <RefJournal>JMIR Diabetes</RefJournal> <RefPage>e31451</RefPage> <RefTotal>Bults M, van Leersum CM, Olthuis TJJ, Bekhuis REM, den Ouden MEM. Barriers and Drivers Regarding the Use of Mobile Health Apps Among Patients With Type 2 Diabetes Mellitus in the Netherlands: Explanatory Sequential Design Study. JMIR Diabetes. 2022 Jan;7(1):e31451. DOI: 10.2196/31451</RefTotal> <RefLink>https://doi.org/10.2196/31451</RefLink> </Reference> <Reference refNo="5"> <RefAuthor>Torbjørnsen A</RefAuthor> <RefAuthor>Ribu L</RefAuthor> <RefAuthor>Rønnevig M</RefAuthor> <RefAuthor>Grøttland A</RefAuthor> <RefAuthor>Helseth S</RefAuthor> <RefTitle>Users’ acceptability of a mobile application for persons with type 2 diabetes: a qualitative study</RefTitle> <RefYear>2019</RefYear> <RefJournal>BMC Health Serv Res</RefJournal> <RefPage>641</RefPage> <RefTotal>Torbjørnsen A, Ribu L, Rønnevig M, Grøttland A, Helseth S. Users’ acceptability of a mobile application for persons with type 2 diabetes: a qualitative study. BMC Health Serv Res. 2019 Sep;19(1):641. DOI: 10.1186/s12913-019-4486-2</RefTotal> <RefLink>https://doi.org/10.1186/s12913-019-4486-2</RefLink> </Reference> <Reference refNo="6"> <RefAuthor>Venkatesh V</RefAuthor> <RefAuthor>Thong J</RefAuthor> <RefAuthor>Xu X</RefAuthor> <RefTitle>Consumer Acceptance and Use of Information Technology: Extending the Unified Theory of Acceptance and Use of Technology</RefTitle> <RefYear>2012</RefYear> <RefJournal>MIS Quarterly</RefJournal> <RefPage>157-78</RefPage> <RefTotal>Venkatesh V, Thong J, Xu X. Consumer Acceptance and Use of Information Technology: Extending the Unified Theory of Acceptance and Use of Technology. MIS Quarterly. 2012 Mar;36(1):157-78. DOI: 10.2307/41410412</RefTotal> <RefLink>https://doi.org/10.2307/41410412</RefLink> </Reference> <Reference refNo="7"> <RefAuthor>Schomakers EM</RefAuthor> <RefAuthor>Lidynia C</RefAuthor> <RefAuthor>Vervier LS</RefAuthor> <RefAuthor>Calero Valdez A</RefAuthor> <RefAuthor>Ziefle M</RefAuthor> <RefTitle>Applying an Extended UTAUT2 Model to Explain User Acceptance of Lifestyle and Therapy Mobile Health Apps: Survey Study</RefTitle> <RefYear>2022</RefYear> <RefJournal>JMIR Mhealth Uhealth</RefJournal> <RefPage>e27095</RefPage> <RefTotal>Schomakers EM, Lidynia C, Vervier LS, Calero Valdez A, Ziefle M. Applying an Extended UTAUT2 Model to Explain User Acceptance of Lifestyle and Therapy Mobile Health Apps: Survey Study. JMIR Mhealth Uhealth. 2022 Jan;10(1):e27095. DOI: 10.2196/27095</RefTotal> <RefLink>https://doi.org/10.2196/27095</RefLink> </Reference> <Reference refNo="8"> <RefAuthor>Breil B</RefAuthor> <RefAuthor>Salewski C</RefAuthor> <RefAuthor>Apolinário-Hagen J</RefAuthor> <RefTitle>Comparing the Acceptance of Mobile Hypertension Apps for Disease Management Among Patients Versus Clinical Use Among Physicians: Cross-sectional Survey</RefTitle> <RefYear>2022</RefYear> <RefJournal>JMIR Cardio</RefJournal> <RefPage>e31617</RefPage> <RefTotal>Breil B, Salewski C, Apolinário-Hagen J. Comparing the Acceptance of Mobile Hypertension Apps for Disease Management Among Patients Versus Clinical Use Among Physicians: Cross-sectional Survey. JMIR Cardio. 2022 Jan;6(1):e31617. DOI: 10.2196/31617</RefTotal> <RefLink>https://doi.org/10.2196/31617</RefLink> </Reference> <Reference refNo="9"> <RefAuthor>Kuckartz U</RefAuthor> <RefTitle></RefTitle> <RefYear>2014</RefYear> <RefBookTitle>Mixed Methods: Methodologie, Forschungsdesigns und Analyseverfahren</RefBookTitle> <RefPage></RefPage> <RefTotal>Kuckartz U. Mixed Methods: Methodologie, Forschungsdesigns und Analyseverfahren. Wiesbaden: Springer VS; 2014.</RefTotal> </Reference> <Reference refNo="10"> <RefAuthor>Rädiker S</RefAuthor> <RefAuthor>Kuckartz U</RefAuthor> <RefTitle></RefTitle> <RefYear>2019</RefYear> <RefBookTitle>Analyse qualitativer Daten mit MAXQDA: Text, Audio und Video</RefBookTitle> <RefPage></RefPage> <RefTotal>Rädiker S, Kuckartz U. Analyse qualitativer Daten mit MAXQDA: Text, Audio und Video. Wiesbaden: Springer VS; 2019.</RefTotal> </Reference> <Reference refNo="11"> <RefAuthor>Flick U</RefAuthor> <RefTitle></RefTitle> <RefYear>2008</RefYear> <RefBookTitle>Triangulation: Eine Einführung</RefBookTitle> <RefPage></RefPage> <RefTotal>Flick U. Triangulation: Eine Einführung. 2. Aufl. Wiesbaden: VS Verlag für Sozialwissenschaften; 2008. (Qualitative Sozialforschung; 12). DOI: 10.1007/978-3-531-92864-7</RefTotal> <RefLink>https://doi.org/10.1007/978-3-531-92864-7</RefLink> </Reference> <Reference refNo="15"> <RefAuthor>Schretzlmaier P</RefAuthor> <RefAuthor>Hecker A</RefAuthor> <RefAuthor>Ammenwerth E</RefAuthor> <RefTitle>Extension of the Unified Theory of Acceptance and Use of Technology 2 model for predicting mHealth acceptance using diabetes as an example: a cross-sectional validation study</RefTitle> <RefYear>2022</RefYear> <RefJournal>BMJ Health Care Inform</RefJournal> <RefPage>e100640</RefPage> <RefTotal>Schretzlmaier P, Hecker A, Ammenwerth E. Extension of the Unified Theory of Acceptance and Use of Technology 2 model for predicting mHealth acceptance using diabetes as an example: a cross-sectional validation study. BMJ Health Care Inform. 2022 Nov;29(1):e100640. DOI: 10.1136/bmjhci-2022-100640</RefTotal> <RefLink>https://doi.org/10.1136/bmjhci-2022-100640</RefLink> </Reference> <Reference refNo="12"> <RefAuthor>Harborth D</RefAuthor> <RefAuthor>Pape S</RefAuthor> <RefTitle></RefTitle> <RefYear>2018</RefYear> <RefBookTitle>German Translation of the Unified Theory of Acceptance and Use of Technology 2 (UTAUT2) Questionnaire</RefBookTitle> <RefPage></RefPage> <RefTotal>Harborth D, Pape S. German Translation of the Unified Theory of Acceptance and Use of Technology 2 (UTAUT2) Questionnaire. SSRN; 2018 Mar 23. DOI: 10.2139/ssrn.3147708</RefTotal> <RefLink>https://doi.org/10.2139/ssrn.3147708</RefLink> </Reference> <Reference refNo="13"> <RefAuthor>Hair JF</RefAuthor> <RefAuthor>Hult GTM</RefAuthor> <RefAuthor>Ringle CM</RefAuthor> <RefAuthor>Sarstedt M</RefAuthor> <RefTitle></RefTitle> <RefYear>2014</RefYear> <RefBookTitle>A primer on partial least squares structural equation modeling (PLS-SEM)</RefBookTitle> <RefPage></RefPage> <RefTotal>Hair JF, Hult GTM, Ringle CM, Sarstedt M. A primer on partial least squares structural equation modeling (PLS-SEM). Los Angeles: Sage Publ.; 2014.</RefTotal> </Reference> <Reference refNo="14"> <RefAuthor>Hair JF</RefAuthor> <RefAuthor>Hult GTM</RefAuthor> <RefAuthor>Ringle CM</RefAuthor> <RefAuthor>Sarstedt M</RefAuthor> <RefAuthor>Richter NF</RefAuthor> <RefAuthor>Hauff S</RefAuthor> <RefTitle></RefTitle> <RefYear>2017</RefYear> <RefBookTitle>Partial Least Squares Strukturgleichungsmodellierung: Eine anwendungsorientierte Einführung</RefBookTitle> <RefPage></RefPage> <RefTotal>Hair JF, Hult GTM, Ringle CM, Sarstedt M, Richter NF, Hauff S. Partial Least Squares Strukturgleichungsmodellierung: Eine anwendungsorientierte Einführung. München: Verlag Franz Vahlen; 2017.</RefTotal> </Reference> <Reference refNo="16"> <RefAuthor>Schretzlmaier P</RefAuthor> <RefAuthor>Hecker A</RefAuthor> <RefAuthor>Ammenwerth E</RefAuthor> <RefTitle>Suitability of the Unified Theory of Acceptance and Use of Technology 2 Model for Predicting mHealth Acceptance Using Diabetes as an Example: Qualitative Methods Triangulation Study</RefTitle> <RefYear>2022</RefYear> <RefJournal>JMIR Hum Factors</RefJournal> <RefPage>e34918</RefPage> <RefTotal>Schretzlmaier P, Hecker A, Ammenwerth E. Suitability of the Unified Theory of Acceptance and Use of Technology 2 Model for Predicting mHealth Acceptance Using Diabetes as an Example: Qualitative Methods Triangulation Study. JMIR Hum Factors. 2022 Mar 09;9(1):e34918. DOI: 10.2196/34918</RefTotal> <RefLink>https://doi.org/10.2196/34918</RefLink> </Reference> <Reference refNo="21"> <RefAuthor>Schretzlmaier P</RefAuthor> <RefAuthor>Hecker A</RefAuthor> <RefAuthor>Ammenwerth E</RefAuthor> <RefTitle>Predicting mHealth Acceptance Using the UTAUT2 Technology Acceptance Model: A Mixed-Methods Approach</RefTitle> <RefYear>2023</RefYear> <RefJournal>Stud Health Technol Inform</RefJournal> <RefPage>26-32</RefPage> <RefTotal>Schretzlmaier P, Hecker A, Ammenwerth E. Predicting mHealth Acceptance Using the UTAUT2 Technology Acceptance Model: A Mixed-Methods Approach. Stud Health Technol Inform. 2023 May;301:26-32. DOI: 10.3233/SHTI230007</RefTotal> <RefLink>https://doi.org/10.3233/SHTI230007</RefLink> </Reference> <Reference refNo="17"> <RefAuthor>Breil B</RefAuthor> <RefAuthor>Kremer L</RefAuthor> <RefAuthor>Hennemann S</RefAuthor> <RefAuthor>Apolinário-Hagen J</RefAuthor> <RefTitle>Acceptance of mHealth Apps for Self-Management Among People with Hypertension</RefTitle> <RefYear>2019</RefYear> <RefJournal>Stud Health Technol Inform</RefJournal> <RefPage>282-8</RefPage> <RefTotal>Breil B, Kremer L, Hennemann S, Apolinário-Hagen J. Acceptance of mHealth Apps for Self-Management Among People with Hypertension. Stud Health Technol Inform. 2019 Sep 3;267:282-8. DOI: 10.3233/SHTI190839</RefTotal> <RefLink>https://doi.org/10.3233/SHTI190839</RefLink> </Reference> <Reference refNo="18"> <RefAuthor>Salgado T</RefAuthor> <RefAuthor>Tavares J</RefAuthor> <RefAuthor>Oliveira T</RefAuthor> <RefTitle>Drivers of Mobile Health Acceptance and Use From the Patient Perspective: Survey Study and Quantitative Model Development</RefTitle> <RefYear>2020</RefYear> <RefJournal>JMIR Mhealth Uhealth</RefJournal> <RefPage>e17588</RefPage> <RefTotal>Salgado T, Tavares J, Oliveira T. Drivers of Mobile Health Acceptance and Use From the Patient Perspective: Survey Study and Quantitative Model Development. JMIR Mhealth Uhealth. 2020 Jul;8(7):e17588. DOI: 10.2196/17588</RefTotal> <RefLink>https://doi.org/10.2196/17588</RefLink> </Reference> <Reference refNo="19"> <RefAuthor>Akdur G</RefAuthor> <RefAuthor>Aydin MN</RefAuthor> <RefAuthor>Akdur G</RefAuthor> <RefTitle>Adoption of Mobile Health Apps in Dietetic Practice: Case Study of Diyetkolik</RefTitle> <RefYear>2020</RefYear> <RefJournal>JMIR Mhealth Uhealth</RefJournal> <RefPage>e16911</RefPage> <RefTotal>Akdur G, Aydin MN, Akdur G. Adoption of Mobile Health Apps in Dietetic Practice: Case Study of Diyetkolik. JMIR Mhealth Uhealth. 2020 Oct;8(10):e16911. DOI: 10.2196/16911</RefTotal> <RefLink>https://doi.org/10.2196/16911</RefLink> </Reference> <Reference refNo="20"> <RefAuthor>Zhang Y</RefAuthor> <RefAuthor>Liu C</RefAuthor> <RefAuthor>Luo S</RefAuthor> <RefAuthor>Xie Y</RefAuthor> <RefAuthor>Liu F</RefAuthor> <RefAuthor>Li X</RefAuthor> <RefAuthor>Zhou Z</RefAuthor> <RefTitle>Factors Influencing Patients' Intentions to Use Diabetes Management Apps Based on an Extended Unified Theory of Acceptance and Use of Technology Model: Web-Based Survey</RefTitle> <RefYear>2019</RefYear> <RefJournal>J Med Internet Res</RefJournal> <RefPage>e15023</RefPage> <RefTotal>Zhang Y, Liu C, Luo S, Xie Y, Liu F, Li X, Zhou Z. Factors Influencing Patients' Intentions to Use Diabetes Management Apps Based on an Extended Unified Theory of Acceptance and Use of Technology Model: Web-Based Survey. J Med Internet Res. 2019 Aug;21(8):e15023. DOI: 10.2196/15023</RefTotal> <RefLink>https://doi.org/10.2196/15023</RefLink> </Reference> </References> <Media> <Tables> <NoOfTables>0</NoOfTables> </Tables> <Figures> <Figure format="png" height="584" width="950"> <MediaNo>1</MediaNo> <MediaID>1</MediaID> <Caption><Pgraph><Mark1>Abbildung 1: Erweitertes UTAUT2-Modell mit den Beziehungen zwischen den exogenen und endogenen Konstrukten [15]</Mark1></Pgraph></Caption> </Figure> <Figure format="png" height="606" width="994"> <MediaNo>2</MediaNo> <MediaID>2</MediaID> <Caption><Pgraph><Mark1>Abbildung 2: Strukturmodell mit adjustierten Bestimmtheitsmaßen und Pfadkoeffizienten. Die durchgezogenen Linien zeigen die signifikanten Einflüsse. * p<.05 [21]</Mark1></Pgraph></Caption> </Figure> <NoOfPictures>2</NoOfPictures> </Figures> <InlineFigures> <NoOfPictures>0</NoOfPictures> </InlineFigures> <Attachments> <NoOfAttachments>0</NoOfAttachments> </Attachments> </Media> </OrigData> </GmsArticle>