Depuis janvier 2020, Elsevier a créé un centre de ressources COVID-19

avec des informations gratuites en anglais et en mandarin sur le nouveau

coronavirus COVID-
19. Le centre de ressources sur la COVID-19 est hébergé sur Elsevier
Connect, le site Web public d'actualités et d'informations de l'entreprise.

Par la présente, Elsevier accorde l'autorisation de rendre toutes ses

recherches liées à la COVID-19 disponibles sur le centre de ressources
COVID-19 - y compris ce contenu de recherche - immédiatement
disponibles dans PubMed Central et d'autres
des dépôts financés par des fonds publics, tels que la base de données
COVID de l'OMS avec des droits
pour la recherche, la réutilisation et les analyses sans restriction, sous
quelque forme ou par quelque moyen que ce soit, avec mention de la
source originale. Ces autorisations sont accordées gratuitement par
Elsevier tant que le centre de ressources COVID-19 reste actif.
 Technovation 120 (2023) 102547

Les sommaires sont disponibles

ScienceDirect
à (en
l'adresse suivante : anglais

La novation
technologique
Page d'accueil de la www.elsevier.com/locate/technovation
revue

Transformation numérique des soins de santé pendant la pandémie de COVID-19 : acceptation

de la téléconsultation par les patients et confiance en eux
Patricia Baudier a,*, Galina Kondrateva b, Chantal Ammi c, Victor Chang d, Francesco Schiavone e
a
EM Normandie Business School, M'etis Lab, Paris, France, 64 rue Ranelagh, 75016, Paris, France b EDC Paris Business School, OCRE Lab, Paris,
France c Institut Mines-T'el'ecom Business School, Evry, France d Aston Business School, Aston University, Birmingham, Royaume-Uni e
Parthenope University of Naples, Italie, Department of Management Studies & Méthodes quantitatives et Ecole de Commerce de Paris,
France

ARTICLEINFO ABSTRACT
Mots-clés: La pandémie de COVID-19 a accéléré la transformation numérique de nombreux services, y compris les soins de santé, et
COVID-19 l'accès aux soins médicaux par téléconsultation a augmenté rapidement. Ainsi, un nombre croissant de plateformes en ligne
téléconsultation e- ont été développées pour répondre aux besoins des patients. Cet article examine les facteurs qui prédisent l'intention
santé Confiance en d'utiliser la téléconsultation médicale en étendant la théorie unifiée de l'acceptation et de l'utilisation de la technologie
soi : croyances (UTAUT2) aux trois dimensions de la confiance et de l'auto-efficacité. Un sondage a été réalisé auprès de patients ayant
Théorie unifiée de l'acceptation et de l'utilisation de la utilisé une plateforme de téléconsultation pendant la période de pandémie. Dans le cadre de l'une des plus grandes études à
technologie
ce jour, un échantillon de 1233 répondants a été recueilli et analysé à l'aide d'une approche des moindres carrés partiels,
souvent mobilisée dans le domaine des systèmes d'information (SI). De plus, une analyse approfondie a été effectuée à l'aide
de toutes les mesures recommandées. Les résultats soulignent l'importance de la confiance dans les croyances et de l'auto-
efficacité dans l'adoption des services de santé numériques. Ces résultats contribuent à la fois à la théorie et à la pratique de
la recherche sur la COVID-19.
1. Introduction
* Auteur correspondant.
La transformation numérique s'est produite en raison de ce Cependant, même si les solutions de téléconsultation sont mises
que l'on appelle la révolution industrielle 4.0 (Iizuka et Ikeda, en place depuis 2009 (Khodadad-Saryazdi, 2021) et remboursées
2021). Gong et Ribiere (2021) définissent la transformation en France depuis 2018 (Baudier et al., 2020), son adoption risque
numérique comme « un processus de changement fondamental, de se heurter à des freins (Khodadad-Saryazdi, 2021) liés à la
rendu possible par l'utilisation innovante des technologies confiance (Zhao et al., 2018 ; Fan et al., 2018), l'âge (Zhu et al.,
numériques accompagnée de l'effet de levier stratégique de 2018 ; Meng et coll., 2019), les préoccupations en matière de
ressources et de capacités clés, visant à améliorer radicalement protection de la vie privée et la preuve de l'innocuité (Iizuka et
une entité (...) et redéfinir sa proposition de valeur pour ses parties Ikeda, 2021). Néanmoins, la pandémie de COVID-19 a modifié les
prenantes. Grâce à des technologies telles que l'Internet des facteurs d'adoption et accéléré la transformation numérique des
objets, les enregistrements électroniques, l'apprentissage soins de santé, principalement en raison de l'évitement de la
automatique, la chaîne de blocs et l'intelligence artificielle, et contamination (Baudier et al., 2021). En effet, la pandémie de
basées sur la collecte et l'analyse de données de santé (Burton- COVID-19 a été un grand choc qui a conduit à l'accélération de la
Jones et al., 2020 ; Gopal et coll., 2019 ; Iizuka et Ikeda, 2021 ; transformation numérique dans plusieurs secteurs de services,
Massaro, 2021), la transformation numérique des soins de santé a tels que l'éducation, le conseil et la santé (Cobianchi et al., 2020a ;
un impact sur les procédures médicales internes (Sousa et al., Raj et coll., 2020 ; Alexopoulos et al., 2020 ; Secundo et coll.,
2019). Kraus et al. (2021) ont identifié cinq groupes de recherche 2019).
liés à la transformation numérique des soins de santé : la Cette étude visait à analyser les facteurs influençant l'adoption
technologie centrée sur le patient, l'efficacité opérationnelle des des plateformes de téléconsultation médicale par les patients en
organisations de soins de santé, les implications managériales, période de COVID-19. Par conséquent, la question de recherche
l'impact sur les pratiques de la main-d'œuvre et les aspects socio- de cet article est la suivante : Quels sont les facteurs qui
économiques. Avec la transformation numérique des services de influencent l'adoption par les patients des solutions de
consultation médicale, la téléconsultation est évidemment une téléconsultation qui contribuent à créer une société résiliente en
technologie centrée sur le patient (Agarwal et al., 2010). matière de soins en changeant leurs comportements pendant la
Adresses e-mail : pbaudier@em-normandie.fr (P. Baudier), gkondrateva@edcparis.edu (G. Kondrateva), Chantal.ammi@imt-bs.eu (C. Ammi), v.chang1@aston.
ac.uk (V. Chang), Francesco.schiavone@uniparthenope.it (F. Schiavone). https://doi.org/10.1016/j.technovation.2022.102547

Reçu le 23 juillet 2021 ; Reçu sous forme révisée le 31 janvier 2022 ; Acceptée le 8 mai 2022
Disponible en ligne le 16 mai 2022
0166-4972/ © 2022 Elsevier Ltd. Tous droits réservés.
P. Baudier et al.
pandémie ? Pour répondre à cette question, nous avons construit
une étude
modèle basé sur l'hypothèse que les croyances de confiance et
l'auto-efficacité (SE) des patients peuvent affecter les
constructions UTAUT2 (Venkatesh et al., 2012), à savoir
l'espérance de performance et l'espérance d'effort. Nous avons
également postulé que l'espérance d'effort, l'influence sociale,
l'habitude, l'espérance de performance et les conditions
facilitantes pouvaient avoir un impact sur l'intention
comportementale d'utiliser la téléconsultation. Nous avons utilisé
une approche quantitative (moindres carrés partiels) et appliqué
une méthode d'entrevue Web assistée par ordinateur (IVTF).
Entre juillet et octobre 2020, nous avons mené une enquête
auprès de 66 027 patients sur une plateforme française de
téléconsultation. Un échantillon de 1233 répondants a été utilisé
dans cette étude.
Cet article contribue à la littérature sur l'acceptation de la SI
dans les soins de santé (Constantinides et Fitzmaurice, 2018 ;
François, 2019 ; Jin et Ahn, 2019) en offrant une nouvelle
perspective sur la transformation numérique du système de santé
pendant la pandémie. Les chercheurs peuvent bénéficier d'un
nouveau modèle théorique d'acceptation des nouveaux SI par les
patients et les praticiens peuvent élaborer de meilleures
stratégies de marketing pour promouvoir leurs solutions de
téléconsultation.
Le reste de cet article est organisé comme suit : Tout d'abord,
la littérature est examinée et des hypothèses sont développées.
Ensuite, la méthodologie est introduite, et les résultats sont
analysés et discutés. Enfin, des apports managériaux et théoriques
sont proposés, et des limites et des recherches futures sont
suggérées.
2. Contexte théorique
2.1. Technologies de rupture et soins de santé
Les technologies innovantes peuvent être classées comme
radicales, révolutionnaires ou perturbatrices. Les technologies de
rupture impliquent une discontinuité technologique majeure avec
des améliorations de performance ou de nouvelles capacités
(Garcia et Calantone, 2002), façonnant le développement des
industries (Ahuja et Morris Lampert, 2001). Les percées peuvent
conduire à des innovations radicales (Hein et Juliette Brun, 2019)
qui sont considérées comme nouvelles et uniques par rapport à ce
qui existe déjà (Chandy et Tellis, 1998), ayant un impact sur les
technologies futures (Dahlin et Behrens, 2005 ; Datta et Jessup,
2013) mais avec les mêmes clients ciblés. Une innovation de
rupture, popularisée par Christensen (1997), modifie la façon dont
les individus, les organisations et les industries fonctionnent et
interagissent, en changeant leurs habitudes et en détruisant les
modèles d'affaires existants (Schuelke-Leech, 2018), tout comme
le commerce électronique (Hopster, 2021). Les technologies de
rupture, axées sur des segments de niche au début de la phase de
développement, se distinguent des technologies grand public par
un ensemble de performances différent avec des parties bas de
gamme et peu rentables (Adner, 2002 ; Ray et Ray, 2011). Les
entreprises impliquées dans les technologies de rupture doivent
rompre avec le moule et les routines qui incarnent leurs pratiques
traditionnelles pour être en mesure de se conformer aux
croyances des nouveaux clients (Henderson, 2006). À l'échelle
mondiale, le système de santé a connu une transformation
numérique basée sur une technologie de rupture adaptée
pendant la pandémie dans un environnement aux ressources
limitées. En effet, une pandémie peut modifier considérablement
le système de santé à l'échelle mondiale, non seulement en raison
du niveau de contamination et de décès, mais aussi en raison des
ressources limitées en termes de vaccins, de personnel médical et
Technovation 120 (2023) 102547
de problèmes de mobilité (Moazzami et al., 2020 ; Katz et coll.,
2020).
L'approche informatique des soins de santé a permis
d'améliorer les services, les processus de prestation et la sécurité
des patients (Chao et al., 2007), de réduire le risque d'erreur
humaine (Ball et al., 2003), de faciliter les tâches
organisationnelles et de fournir des soins médicaux plus précis
(Kraus et al., 2021).
Les innovations dans le domaine des soins de santé changent
le paradigme, passant d'une focalisation sur la maladie à une
focalisation sur les patients, leur qualité de vie et leur bien-être.
Les technologies émergentes telles que la cybersanté, la
télémédecine et la robotique (Chen et coll., 2014 ; Latifi et al.,
2021 ; Iizuka et Ikeda, 2021 ; Biancone et al., 2021) promeuvent
une approche centrée sur le patient (Bice-Urbach et al., 2018 ;
Khodadad-Saryazdi, 2021). La mise en place de solutions de
télémédecine représente un défi pour le secteur de la santé
(Khodadad-Saryazdi, 2021). La télémédecine peut contribuer à
réduire les coûts de santé, les temps d'attente et les risques de
contamination liés à la consultation en face à face (Baudier et al.,
2020). Il aide également à diagnostiquer et à soutenir les patients
ayant des capacités limitées. Avec les solutions d'e-santé, les
patients et le personnel médical peuvent échanger des
informations telles que des photos et des documents par le biais
de services de messagerie (Ghose et al., 2021), ce qui permet un
contact régulier.
La transformation numérique implique de nouveaux acteurs,
tels que les fournisseurs de services et les plateformes (Kraus et
al., 2021). De plus, la crise sanitaire a forcé le système de santé à
adopter rapidement les solutions électroniques existantes.
Winterhalter et al. (2017) les ont définies comme des innovations
frugales. En d'autres termes, l'adoption d'une telle innovation est
directement liée à des contextes contraints, comme une crise
sanitaire.
2.2. Téléconsultation et COVID-19
Les solutions de téléconsultation peuvent être mises en œuvre
rapidement, changeant d'une part la façon dont les individus
accèdent aux services de santé, et d'autre part, la façon dont les
praticiens fournissent aux patients des diagnostics et un soutien.
Au cours de la dernière décennie, plusieurs pays ont été
confrontés à des épidémies virales telles que le choléra en Inde en
2003 (Ayyagari et al., 2003), l'épidémie de SRAS à Taïwan en 2003
(Chang et al., 2004), la grippe H1N1 en 2009 (Chiu et al., 2009), le
virus Ebola en Afrique en 2014 (Elmahdawy et al., 2017 ; Tracey et
al., 2015), le coronavirus MERS à Séoul en juin 2015 (Alshakka et
al., 2021) et la pandémie de COVID-19 en 2020 (Baudier et al.,
2021).
La télémédecine est considérée comme une solution pour
lutter contre la COVID-19 (Drago et coll., 2021), car elle contribue
à la résilience des organismes de santé pendant la pandémie
(Tortorella et coll., 2021). Depuis l'apparition de la pandémie et
les restrictions de confinement dans le monde entier, la recherche
médicale sur la téléconsultation s'est intensifiée dans de
nombreux domaines. Certains services médicaux qui utilisaient
déjà la technologie la recommandaient, par exemple, à tous les
patients non critiques atteints de maladies urologiques chroniques
(Tamayo et al., 2020 ; Pinar et al., 2020) ou le diabète (Banerjee et
al., 2020). En effet, selon Romani et al. (2021), une stratégie a été
rapidement mise en place pour fournir aux patients une prise en
charge adéquate à distance. Par exemple, les niveaux d'oxygène
dans le sang peuvent être surveillés chez les patients atteints de
COVID-19 sans consulter physiquement un professionnel de la
santé.
De plus, les cas médicaux qui refusaient initialement la
consultation à distance ont finalement été reconsidérés,
2
P. Baudier et al. Technovation 120 (2023) 102547
notamment la psychiatrie (Colle et al., 2020), la rhumatologie (Hoquea et Sorwar, 2017 ; Shiferaw et Mehari, 2019). Cependant,
(Naveen et al., 2021), l'ophtalmologie (Bourdon et al., 2020) et la Baudier et al. (2020) ont constaté que l'EE n'a aucun impact sur
cardiologie (Hermans et al., 2020). l'intention des étudiants d'utiliser une cabine de télémédecine, et
Les thématiques de téléconsultation dans la littérature portent Francis (2019) n'a trouvé aucune preuve de cet impact sur
sur l'amélioration de la performance des solutions proposées l'adoption de dispositifs d'autosurveillance de la santé.
(P'erez-Noboa et al., 2021) et analysent les facteurs d'adoption à Néanmoins, dans le contexte de la COVID-19, Napitupulu et al.
l'aide de modèles d'acceptation des technologies (Baudier et al., (2021) ont démontré une influence significative de l'EE lors de
2021 ; Rahi et coll., 2020 ; Dash et coll., 2021 ; Barua et Barua, l'utilisation des services de télésanté (Napitupulu et al., 2021).
2021). L'intersection des voies de recherche médicale et Par conséquent, nous postulons que :
technologique contribue à la compréhension des défis et des
Hypothèse H1. L'EE a un impact direct et significatif sur la BIU.
perspectives de la téléconsultation.
Cette étude propose une étude sur l'acceptation par les
3.1.2. Influence sociale
patients de la téléconsultation de la pratique thérapeutique
Dans un contexte médical, les gens peuvent être socialement
généraliste fournie par la plateforme dédiée en tant
influencés par d'autres, tels que des membres de la famille, des
qu'intermédiaire entre les patients et les médecins. La section
amis ou du personnel médical. Arfi et al. (2021) ont trouvé un lien
suivante présente le modèle de recherche.
direct entre l'influence sociale (IS) et l'intention d'utiliser l'IoT
pour les appareils de santé. Cependant, d'autres études sur
3. Modèle de recherche et hypothèses
l'acceptation des solutions de télémédecine ont révélé que l'IS
n'influence pas l'intention d'utiliser de telles solutions (Francis,
Le modèle de recherche et les hypothèses ont été élaborés
2019 ; Alexandra et coll., 2021 ; Baudier et al., 2021 ; Beh et coll.,
pour changer la façon dont les individus accèdent aux soins de
2021). Néanmoins, pendant la pandémie, une forte campagne
santé pendant la pandémie de COVID-19. Tous les acteurs de la
gouvernementale pendant et après le confinement a rappelé
santé, des institutions publiques ou privées et du personnel
chaque jour aux gens le danger d'être à l'extérieur et d'avoir des
médical, ont dû innover dans la façon dont ils dispensent les soins
interactions sociales non protégées. Par conséquent, cela aurait
et les patients ont dû accepter l'innovation qui peut entraîner des
pu influencer les gens dans leur décision de préférer la
changements radicaux dans leurs comportements. Le modèle
téléconsultation à la consultation en face à face avec un médecin.
s'appuie sur des barèmes existants adaptés à la téléconsultation.
De plus, l'IS est souvent une variable clé dans le contexte médical
Tout d'abord, les concepts d'UTAUT2 (Venkatesh et al., 2012) ont
(Bawack et Kamdjoug, 2018), surtout si la technologie est nouvelle
été sélectionnés : l'espérance d'effort (EE), l'influence sociale (SI),
(Pal et al., 2018) et que l'avis du médecin est important pour les
l'espérance de performance (PE), la condition facilitatrice (FC),
patients (Napitupulu et al., 2021) : Ainsi, nous supposons que :
l'habitude (HT) et l'intention comportementale d'utiliser (BIU). En
Hypothèse H2. L'IS a un impact direct et significatif sur la BIU.
raison du sujet de l'étude, la motivation hédonique et le rapport
qualité-prix ont été supprimés de notre modèle. En effet, les
3.1.3. Habitude
patients ne consultent pas pour le plaisir, et le prix d'une
En termes d'utilisation de la technologie, l'habitude renvoie à
consultation est similaire à celui des consultations en face à face
une certaine automaticité basée sur des expériences antérieures
mais est remboursé à 100% en France. L'UTAUT2 a été retenue
(Alazzam et al., 2016). Les personnes moins résilientes
car il s'agit de la théorie la plus citée et elle est précise pour
dépendront davantage de l'habitude pour modifier leur
l'acceptation de solutions innovantes, notamment dans le
comportement (Venkatesh et al., 2012). Certains chercheurs (p.
contexte sanitaire pour le personnel médical (Alazzam et al., 2016
ex., Ahmed et coll., 2020 ; Schmitz et al., 2022) ont constaté que
; Owusu Kwateng et al., 2019) et des patients (Baudier et al., 2020
les habitudes sont un prédicteur faible dans le contexte médical,
; Talukder et coll., 2020).
car les patients ne sont pas habitués à une telle technologie, à
Pour mesurer les croyances d'un patient à l'égard des
l'exception des patients recevant un traitement spécial tel que le
médecins à distance, trois dimensions ont été sélectionnées : la
diabète (Vinnikova et al., 2020 ; Wong et coll., 2021). Néanmoins,
confiance en la bienveillance, la confiance en la compétence et la
la téléconsultation peut être considérée comme une simple
confiance en l'intégrité, développées par McKnight et al. (2002).
visioconférence où l'habitude peut prédire l'intention de l'utiliser
Enfin, l'échelle de l'ES créée par Bonsaken et al. (2013) a été
(Baudier et al., 2020). Par conséquent, nous postulons ce qui suit :
utilisée. Les éléments ont été mis à l'échelle à l'aide d'une échelle
Hypothèse H3. L'habitude a un impact direct et significatif sur BIU.
de Likert à cinq points allant de un (pas du tout d'accord) à cinq
(tout à fait d'accord).
3.1.4. Espérance de performance
Cinq hypothèses ont mesuré l'impact des cinq dimensions de
D'après Venkatesh et al. (2012), l'espérance de performance
l'UTAUT2 retenues sur la BIU. Ensuite, les trois dimensions des
(EP) est l'un des déterminants les plus importants de la BIU. En
croyances de confiance ont été utilisées, et leur influence sur l'EP
effet, cette variable est essentielle à l'adoption des technologies
a été testée. Enfin, l'impact de l'ES sur l'EE a été contrôlé.
médicales (Baudier et al., 2020 ; Hoquea et Sorwar, 2017 ; Wang
et coll., 2020 ; Schmitz et al., 2022 ; François, 2019 ; Beh et al.,
3.1. UTAUT2
2021) et démontre que l'EP prédit l'intention d'utiliser des
appareils portables d'autosurveillance. Pal et al. (2018) ont
3.1.1. Espérance d'effort constaté un impact significatif de l'EP sur l'intention d'utiliser la
L'EE décrit la perception qu'ont les utilisateurs de la facilité maison intelligente et les services de télésanté à domicile. De
d'utilisation attendue ou de la complexité d'un produit ou d'un plus, l'EP est le prédicteur le plus fort de l'UTAUT2 pour les
service. L'EE a été développé sur la base de la facilité d'utilisation services de télémédecine, selon Schmitz et al. (2022), confirmant
du modèle d'acceptation de la technologie (TAM) et du TAM 2 son importance pendant l'épidémie de COVID-19 (Napitupulu et
(Holden et Karsh, 2010). L'adoption de la technologie a un fort al., 2021). L'EP projette les résultats positifs attendus en raison de
pouvoir de prédiction, similaire à celui de l'EP (Venkatesh et al., l'utilisation de la technologie, ce qui est essentiel pour les
2003, 2012). Ainsi, dans le contexte de l'utilisation des décisions des patients. En effet, les patients utiliseront la
technologies médicales, l'EE influence considérablement la BIU technologie s'ils croient en un niveau élevé de résultats (Beh et
(Jang et al., 2016 ; Sari et al., 2018) et en effet, plus la technologie al., 2021). Par conséquent, nous proposons l'hypothèse suivante :
est récente, plus l'influence de l'EE sur la BIU est importante

3
P. Baudier et al.
Hypothèse H4. Le PE a un impact direct et significatif sur la BIU. bienveillance (bienveillance). Les convictions de confiance sont
3.1.5. Faciliter les conditions
Les conditions de facilitation, y compris l'environnement
technologique et organisationnel (Venkatesh et coll., 2012), sont
considérées comme cruciales pour l'acceptation des technologies
qui fournissent des services de santé (Sun et coll., 2013 ;
Venugopala et al., 2016) ou des solutions de télémédecine
(Kohnke et al., 2014). Cependant, Alexandra et al. (2021) n'ont
trouvé aucun impact de la FC sur l'intention comportementale
d'utiliser la télémédecine hospitalière. Wang et al. (2021) ont
constaté une influence positive et directe de la FC sur l'intention
d'utiliser les services hospitaliers en ligne et Arfi et al. (2021) dans
le contexte de l'acceptation de l'IoT dans le domaine de la santé.
Ainsi, nous suggérons que :
Hypothèse H5. FC a un impact direct et significatif sur la BIU.
3.2. Auto-efficacité
Plusieurs résultats de recherche confirment que les personnes
résilientes présentent des attributs psychologiques et
dispositionnels communs pour la résilience en matière de santé,
tels que l'ES (Park et al., 2020) et la confiance (Kimhi et al., 2020).
En effet, une personne ayant un niveau élevé de SE n'a pas peur
d'utiliser les nouvelles technologies mais est plutôt motivée par ce
défi. Selon Connor et Davidson (2003), l'ES est une variable clé
pour mesurer la capacité d'une personne à être résiliente.
Lorsqu'il s'agit de décrire la façon dont les individus évaluent leur
capacité personnelle à accomplir une tâche spécifique (Bandura,
1977), le concept d'ES est un facteur déterminant influençant
l'utilisation future des nouvelles technologies. En effet, l'économie
technologique est la conviction intime qu'une personne possède
les aptitudes et les compétences nécessaires pour mener à bien
une mission liée à la technologie (McDonald et Siegall, 1992). La
télémédecine est perçue comme une technologie novatrice (Wu
et al., 2007) et l'ES peut influencer le niveau d'acceptation de
celle-ci (Rho et al., 2014) en influençant l'espérance d'effort ou la
facilité d'utilisation (Gajanayake et al., 2016 ; Shiferaw et Mehari,
2019 ; Baudier et al., 2021). Par conséquent, nous supposons
que :
Hypothèse H6. L'auto-efficacité est positivement associée à
l'espérance d'effort.
3.3. Faire confiance aux croyances
Sibley et al. (2020) ont considéré que la confiance dans les
institutions était essentielle à la résilience des soins de santé
numériques pendant le confinement lié à la COVID-19. La
confiance est une variable pertinente et importante pour réduire
les réticences et joue un rôle essentiel dans l'acceptation des
technologies innovantes (Pavlou, 2003 ; Luo et al., 2010) et est
souvent à l'origine de conséquences positives fondamentales qui
dépendent de la technologie et du contexte étudié (Palmer et al.,
2000). Selon Lee et Turban (2001), la confiance dépend de trois
facteurs : (1) la compétence technique perçue du système, (2) le
niveau de performance perçu du système et (3) la compréhension
par l'opérateur humain du processus régissant le système. De
nombreux chercheurs ont analysé la confiance dans un sens
général, mais peu d'entre eux ont examiné les premières
expériences avec la technologie comme condition principale dans
le processus d'acceptation futur (Hernandez-Ortega, 2011).
La confiance dans les croyances, une construction
multidimensionnelle (McKnight et al., 2002 ; Mpinganjir, 2018),
comprend la compétence (capacité à performer), l'intégrité
(principes tels que l'honnêteté, le respect des promesses) et la
Technovation 120 (2023) 102547
essentielles à l'acceptation de solutions innovantes dans le
secteur de la santé (Baudier et al., 2019) et peuvent avoir un
impact sur les attentes de performance des patients. Ainsi, nous
postulons les trois hypothèses suivantes :
Hypothèse H7. La bienveillance confiante (TB) est positivement
associée à l'EP.
Hypothèse H8. La compétence de confiance (CT) est positivement
associée à l'EP.
Hypothèse H9. L'intégrité de confiance (TI) est
positivement associée à l'EP.
3.4. L'impact des modérateurs
Un nombre important de variables modératrices, telles que
des facteurs organisationnels, technologiques et individuels,
peuvent expliquer l'acceptation des nouvelles technologies (King
et He, 2006 ; Sun et Zhang, 2006). En ce qui concerne plus
particulièrement la recherche sur les technologies liées à la santé,
les modérateurs démographiques tels que le sexe et l'âge sont
largement considérés comme influençant l'acceptation de la
technologie (Griebel et coll., 2013). Par exemple, des recherches
antérieures ont rapporté que ces deux modérateurs sont des
variables cruciales pour l'acceptation de la télémédecine pour la
gestion du diabète (Rho et al., 2015).
L'âge est un modérateur important et la génération plus âgée
est généralement plus réticente à adopter une technologie
perturbatrice que la population plus jeune (Baudier et al., 2020).
Néanmoins, le genre peut également être un modérateur
important dans l'adoption de la télémédecine (Lee et Rho, 2013).
Ainsi, conformément aux recherches antérieures dans le domaine
des technologies de la santé, nous suggérons que toutes les
relations du modèle peuvent être influencées à la fois par le sexe
et l'âge.
Enfin, toutes les relations du modèle de recherche sont
présentées à la Fig. 1.
4. Méthodologie
Une enquête a été menée à l'aide d'échelles tirées de la
littérature. Selon Publicis Media, 66,1% des utilisateurs de
téléconsultation prennent rendez-vous sur ce type de
plateforme.1 Le questionnaire, rédigé en anglais, a été traduit en
français. La validité du contenu de la version française était
contrôlée par des universitaires de langue maternelle française.
Les réponses étaient basées sur le libre arbitre des répondants et
le questionnaire était anonyme. Aucune donnée relative à
l'identité des répondants n'a été collectée, y compris les données
concernant les motifs d'utilisation de la plateforme de
téléconsultation, et les répondants ont dû répondre à toutes les
questions (pas d'absence de réponse possible). L'objectif de
l'enquête a été introduit par la plateforme de téléconsultation
avec une courte introduction, notamment le délai de réalisation et
l'identité des chercheurs. Les répondants potentiels approchés via
la newsletter de la plateforme en utilisant la méthode CAWI, ont
été utilisés au minimum une fois le service. Un contrôle des
caractéristiques de l'échantillon a été réalisé en le comparant avec
le profil du patient sur la plateforme. La plateforme de
téléconsultation a confirmé que notre échantillon était
représentatif de sa clientèle. Une comparaison au niveau de l'item
a ensuite été effectuée à l'aide des 300 répondants initiaux et
tardifs, et les résultats de 0,0003 à 0,2951 ont confirmé la
cohérence des réponses.
Plusieurs variables de contrôle qui sont restées inchangées tout
au long d'autres expérimentations ont été identifiées, telles que
4
P. Baudier et al.
la pandémie (viralité du virus) et l'utilisation de la plateforme de
téléconsultation, @mesdocteurs (expérimentation du service).
En effet, tous les répondants contactés pendant la pandémie de
COVID-19 ont utilisé le service au moins une fois. Ainsi, les
variables de contrôle devraient simplifier la reproduction de
l'étude de recherche. Les virus et leurs variants peuvent attaquer
n'importe qui, indépendamment de l'âge, du sexe, de la race et
du statut social, et pour une analyse de la COVID-19, il était
crucial d'obtenir de vastes sources de données et d'atteindre le
plus grand nombre de personnes possible au cours de l'étude.
L'enquête a été menée auprès de 66 027 patients. Un échantillon
de 1233 répondants a été recueilli entre le 27 juillet et le 2
octobre 2020 (tableau 1). Chaque échantillon correspond à une
personne réelle afin de refléter les situations, les hypothèses et
les questions de recherche étudiées au cours de l'étude.
En ce qui concerne la fréquence des visites, 40,8 % ont fait une
téléconsultation, 20,4 % deux et 9,2 % trois téléconsultations.
Pendant la pandémie de COVID-19, 85 % ont utilisé le service pour
la première fois alors qu'ils n'étaient que 15 % avant la pandémie
de COVID-19 (adopteurs précoces de la téléconsultation avant
octobre 2019).
Selon l'Etablissement de Santé Français2, 20 % des patients
utilisant des solutions de téléconsultation sont âgés de 65 ans et
plus, soit 18 % de notre échantillon représentatif de cette
population (Tableau 2). Les femmes et les usagers âgés de 40 ans3
représentent la majorité des utilisateurs de la téléconsultation.
Ainsi, l'échantillon peut être considéré comme représentatif.
5. Résultats
Selon Dash et Paul (2021), les deux méthodes les plus
populaires de modélisation par équations structurelles (MEB)
utilisées par les chercheurs pour mesurer les relations de cause à
effet sont la covariance et les moindres carrés partiels (PLS-SEM).
L'approche PLS, basée sur la variance, a été choisie pour cette
recherche parce qu'elle est recommandée à des fins de prédiction
et d'identification, comme l'indiquent Hair et al. (2022). Selon
teleconsultation- anniversaire.pdf
1
http://www.newsroom-publicismedia.fr/profil-dun-utilisateur-de-la-tel 3 https://www.usine-digitale.fr/article/quel-est-le-profil-type-d-un-utilisat
Consultation en ligne/. Eur-de-la-teleconsultation.
Technovation 120 (2023) 102547
Goodhue et al. (2017), les modèles d'équations structurelles
utilisant PLS-SEM sont souvent utilisés dans la recherche sur les SI.
En effet, depuis quelques années, la méthode PLS est largement
utilisée dans les revues classées. Ainsi, le logiciel SmartPLS 3.2.6 a
été mobilisé à l'aide des procédures suivantes : algorithme PLS,
bootstrapping (5000 échantillons), bandage à l'aveugle (d=7), et
analyse multigroupe (MGA).
5.1. Modèle extérieur
La fiabilité et la validité convergente du modèle externe ont
également été contrôlées (tableau 3). Nous avons évalué la
fiabilité des variables en vérifiant que les valeurs alpha (CA) et de
fiabilité composite (CR) de Cronbach atteignaient le seuil
recommandé de 0,7. Le tableau 3 montre que la valeur moyenne
extraite (AVE) pour chaque variable du modèle satisfaisait à la
valeur minimale de 0,5, confirmant ainsi la validité convergente.
La validité discriminante a d'abord été contrôlée à l'aide du
critère de Fornell-Larcker (1981) en vérifiant, comme le
recommandent Hair et al. (2012), que la racine carrée de l'EVA de
chaque construction était supérieure à ses corrélations avec
d'autres constructions (tableau 4).
Deuxièmement, une analyse de charge croisée a été utilisée
pour confirmer la validité discriminante. Ainsi, l'item FC3 (la
téléconsultation est compatible avec d'autres technologies que
vous utilisez) avec un facteur de charge de 0,531, inférieur au
seuil recommandé de 0,700, a été supprimé (annexe 1).
5.2. Modèle intérieur
Pour valider le modèle interne, la variance expliquée (R2),
l'effet de taille (f2), la pertinence prédictive (Q2) et l'effet de taille
(q2) des variables endogènes ont été analysés. Certains
paramètres ont été mobilisés
2
https://www.ameli.fr/sites/default/files/2020-09-16-cp-
5
P. Baudier et al. Technovation 120 (2023) 102547

La fig. 1. Modèle et hypothèses.

Tableau 1 Tableau 3
Collecte de données. Fiabilité et validité convergente.
CA CR AVE

EE 0.894 0.934 0.825

FC 0.856 0.932 0.873
HT 0.879 0.916 0.733
BI 0.923 0.951 0.867
PE 0.882 0.918 0.739
SE 0.730 0.846 0.649
SI 0.862 0.905 0.705
TUBERCULOSE 0.924 0.951 0.868
TC 0.919 0.961 0.925
Patient % Calcul Le R2 (0,655) montre que le modèle de recherche explique
65,5 % de la variance de la BIU définie par trois variables :
1. Base de données 66,027 – –
2. E-mails ouverts 10,605 16% e-mails ouverts/Base l'espérance
de d'effort (H1 : β = 0,184, valeur t = 6,647, valeur p =
données
3. Clics sur le lien 1358 13% Clics/e-mails ouverts
0,000), l'habitude (H3 : β = 0,214, valeur t = 9,393, valeur p =
4. Répondants 1233 91% Répondants/Clics
0,000) et l'espérance de performance (H4 : β = 0,578, valeur t =
18,474, valeur p = 0,000), avec un effet secondaire énorme
Tableau 2 d'espérance de performance (0,486) et un effet modéré sur
Statistiques démographiques
de l répondants.
l'espérance d'effort (f2 = 0,061) et l'habitude (f2 = 0,089). Les
Variables démographiques Fréquence (N = 1233) Pourcentage
relations entre la BIU et l'influence sociale (H2 : β = − 0,024, valeur
Genre Femelle 769 62.4%
Mâle 464 37.6%
t = 1,604, valeur p = 0,109) et les conditions facilitatrices (H5 : β
=
Âge 18 à 25 ans 27 2.2%
− 0,002, valeur t = 0,105, valeur p =
26 à 35 ans 156 12.6%
36 à 45 ans 261 21.2%0,916) ne sont pas pris en charge, car l'impact n'est ni positif, ni
46 à 55 ans 312 25.3%direct, ni significatif. Ainsi, les hypothèses H1, H3 et H4 sont
56 à 65 ans 255 20.7%validées, et H2 et H5 sont rejetées.
Plus de 65 ans 222 18%
Le modèle explique que 45,7 % de l'espérance de performance
Fonction Employé 425 34.5%
Exécutif 352 28.5%est déterminée par deux concepts indépendants, à savoir la
Retraité 306 24.8%
confiance en bienveillance (H7 : β = 0,310, valeur t = 7,068, valeur
Autrui 150 12.2%
d'étudier les relations entre des constructions telles que le p = 0,000) et la compétence en confiance (H8 : β = 0,398, valeur t
coefficient trajectoire (β = 9,075, valeur p = 0,000), les deux ayant un effet de taille modéré
> à 0,200, la valeur t > à 1,96 et la valeur p < 0,05) (tableau 5).

6
P. Baudier et al. Technovation 120 (2023) 102547
Le SRMR est utilisé pour éviter les erreurs de spécification du
(TB : f2 = 0,058 ; TC : f2 = 0,095). Par conséquent, les deux
modèle. Le SRMR, inférieur à 0,08 à 0,059 (Henseler et coll.,
hypothèses (H7 et H8) sont soutenues. La relation entre. Enfin, le
2014), a confirmé la mesure de la qualité de l'ajustement. Le NFI
R2 de l'espérance d'effort, à 24,9 %, s'explique par SE (H6 : β = (à 0,85) représentait un ajustement acceptable, car il était proche
0,499, valeur t = 18,828, valeur p = 0,000) avec une grande taille de 1. Ainsi, le SRMR et l'IFN ont confirmé la qualité de notre
d'effet (f2 = 0,332). Les résultats confirment les effets directs, modèle de recherche. Comme l'ont recommandé Goodhue et al.
positifs et significatifs de l'ES sur l'espérance d'effort. Ainsi, (2017), la multicolinéarité de la VIF est contrôlée, et les résultats
l'hypothèse H6 est validée. confirment également que le modèle est exempt de biais de
Comme l'ont recommandé Henseler et coll. (2009), les méthode courant, car toutes les valeurs de la VIF interne étaient
intervalles de confiance ont été contrôlés et zéro n'a pas été inférieures au seuil recommandé de 3,3 (tableau 6).
inclus dans tous les intervalles de confiance. Cependant, les En conclusion, l'analyse des résultats a confirmé que six des
hypothèses mesurant l'impact de la condition facilitante (H5) et neuf hypothèses (H1, H3, H4, H6, H7 et H8) étaient soutenues,
de l'influence sociale (H2) sur l'intention comportementale de deux (H2 et H5) n'étaient pas soutenues et une (H9 : Impact de
consommer, proche de zéro, ont été rejetées (tableau 5). l'intégrité de confiance sur l'espérance de performance) a été
Le test de prédictibilité du modèle de recherche (Q2) a été retirée du modèle en raison d'un problème avec la VIF externe.
effectué à l'aide de la procédure de bandage des yeux de Deux modérateurs (âge et sexe) ont été identifiés et une
SmartPLS3 (d = 7). Avec toutes les valeurs Q2 supérieures à 0, une procédure MGA a été exécutée pour tester leur impact. Les
bonne pertinence prédictive a été confirmée (intention résultats ont confirmé que le sexe ne modère pas les relations
entre la construction du modèle. En ce qui concerne l'âge, cinq
comportementale d'utiliser : Q2 = 0,655 ; espérance de
groupes ont été étudiés et un a été rejeté en raison de la taille de
performance : Q2 = 0,333 ; espérance d'effort : Q2 = 0,203). Les l'échantillon (27 répondants pour le groupe d'âge des 18 à 25
valeurs du 2e trimestre ont été calculées par ans). Les résultats mettent en évidence que plusieurs relations du
Tableau 4
Validité discriminante
Construire – critère
Variable de Fornell-Larcker.
prédictive R2 f2 Chemin Coef SD Valeur t Valeur p 2ème 2ème Le VIF H
EE FC HT BI PE SE SItrimestre TUBERCULOSE
trimestre TC
EE 0.249 0.203
EE 0.908
SE 0.332 0.499 0.027 18.828 0.000 1.000 X
FC 0.533 0.934
BIU 0.762 0.655
HT 0.548 0.327 0.856
EE 0.061 0.184 0.028 6.647 0.000 0.035 2.359 X
BI 0.696 0.377 0.715 0.931
FC 0.000 (-0.002) 0.022 0.105 0.916 0.000 1.409 O
PE 0.697 0.369 0.712 0.847 0.859
HT 0.089 0.214 0.023 9.393 0.000 0.052 2.162 X
SE 0.499 0.350 0.578 0.538 0.582 0.805
PE 0.486 0.578 0.031 18.474 0.000 0.290 2.878 X
SI 0.284 0.113 0.435 0.365 0.422 0.43 0.840
SI 0.002 (-0.025) 0.015 1.604 0.109 0.000 1.281 O
TUBERCULOSE 0.594 0.316 0.497 0.586 0.637 0.501 0.272 0.931
PE 0.457 0.333
TC 0.596 0.303 0.519 0.605 0.652 0.514 0.298 0.821 0.961
TUBERCULOSE 0.058 0.310 0.044 7.068 0.000 0.003 3.081 X

TC 0.095 0.398 0.044 9.075 0.000 0.026 3.081 X

Tableau 5 modèle sont modérées par l'âge (tableau 7). Pour le groupe d'âge
Intervalle des 26-35 ans, l'espérance de travail n'a pas eu d'impact sur la BIU
s de
confiance (β = 0,05, valeur t = 0,75, valeur p =
.
2.5% 97.5%
Tableau 6
EE - > BIU 0.132 0.239
Modèle intérieur.
Supporté
FC - > BIU (-0.045) 0.039 Rejeté0,45) lorsqu'il est validé par tous les autres groupes d'âge.
HT - > BIU 0.168 0.259 Néanmoins, l'effet des conditions facilitantes sur la BIU a été
Supporté
PE - > BIU 0.515 0.635 Supporté
SE - > EE 0.445 0.549
validé par le groupe d'âge des 26-35 ans (β = 0,1, valeur t = 2,24,
Supporté
SI - > BIU (-0.054) 0.004 Rejetévaleur p = 0,03) et rejeté par les autres.
TB - > PE 0.229 0.395 Supporté
TC - > PE 0.312 0.480 Supporté
6. Discussion
en appliquant la formule suivante Q2 = (Q2inclus-Q2exclu)/(1-
Q2inclus). Toutes les valeurs de q2 étaient faibles, à l'exception de Cette recherche visait à étudier la transformation numérique
l'espérance de performance sur BIU (q2 = 0,290). des services de santé pendant la pandémie de COVID-19. En effet,
Enfin, la qualité de l'ajustement a été vérifiée en analysant la les solutions de téléconsultation médicale modifient le
racine moyenne résiduelle normalisée (SRMR) et l'indice de comportement des patients et fournissent une base à la création
fixation normalisé (NFI). d'une société résiliente. Cette étude met en lumière les
Tableau 7
Modération de l'impact de l'âge.
26 –35 36 –45 46 –55 56 –65 > 65
β t P β t p β t p β t p β t p

EE→BIU 0.05 0.75 0.45 0.24 4.44 9.03 0.1 2.24 0.03 0.22 4.14 0.00 0.23 2.30 0.00
FC→BIU 0.1 2.24 0.03 (-0.05) 1.33 0.18 0.02 7 0.67 0.50 (-0.03) 0.85 0.40 (-0.06) 0.80 0.42
P. Baudier et al.
déterminants qui influent sur l'adoption de ces technologies de
rupture. Tout d'abord, les relations entre les constructions
d'UTAUT2 ont été analysées. Les résultats valident l'importance
des principaux déterminants de la BIU, à savoir l'EP et l'EE. Les
deux sont essentiels à la compréhension de l'utilisation des
technologies liées à la santé (Hsu et coll., 2013 ; Wang et coll.,
2020 ; Tavares et coll., 2018). Plus une technologie est perçue
comme répondant aux besoins des clients et facile à utiliser, plus
les individus l'adopteront ; Ainsi, les résultats sont alignés sur les
recherches antérieures. L'influence de l'habitude sur la BIU a
également été confirmée. L'habitude est un concept crucial et a
une influence significative sur le processus de prise de décision,
comme l'ont soulevé plusieurs chercheurs dans le domaine de la
santé (Duarte et Pinho, 2019 ; Ravangard et al., 2017). Avant la
pandémie, certaines personnes étaient déjà à l'aise dans
l'utilisation de la communication à distance à un niveau personnel
et professionnel. Cependant, pendant le confinement, des outils
de visioconférence ont été adoptés par une population plus large
pour rester en contact avec leurs proches ou leurs collègues en
réponse à leur besoin d'interaction sociale (Kodama, 2020). Les
résultats ont montré que les patients considéraient les solutions
de téléconsultation comme des procédures automatiques et
routinières. Néanmoins, cette étude rejette deux déterminants
UTAUT2, à savoir SI et FC, contredisant ainsi les études
antérieures dans le domaine de la santé. En effet, l'effet de l'IS sur
l'acceptation d'une technologie innovante est généralement
important, car les conseils des proches et des médecins peuvent
influencer directement les patients dans leur processus de prise
de décision (Cimperman et al., 2016). En effet, pendant le
confinement, il était fortement recommandé de ne pas consulter
de médecin et, si possible, de privilégier la téléconsultation pour
éviter les contaminations. En cas de suspicion de COVID-19 sans
symptômes graves, il était obligatoire de consulter à distance
pour éviter la propagation du virus. Enfin, l'absence d'impact des
FC sur la BIU est cohérente avec d'autres résultats de recherche
sur la télésanté (Dhiman et al., 2019 ; Owusu Kwateng et al.,
2019) et est pertinente car la technologie de la téléconsultation
n'est pas perçue comme complexe ni ne nécessite
d'accompagnement extérieur. Tout est organisé par le biais d'une
plateforme, et les patients n'ont qu'à cliquer sur un lien pour être
connectés à l'aide de leurs appareils (smartphones, tablettes ou
ordinateurs).
Deuxièmement, les variables de l'ES (proposée comme
antécédent de l'EE) et les deux dimensions du concept de
croyances confiantes (un antécédent de l'espérance de
performance) ont été analysées pour comprendre la résilience
numérique des patients pendant la pandémie. L'analyse a
démontré un effet significatif de l'ES sur l'EE. Ces résultats sont
cohérents avec les recherches antérieures sur l'acceptation des
systèmes de soins de santé (Hsiao et al., 2011), les solutions de
soins infirmiers à domicile (Kohnke et al., 2014 ; Ali et al., 2021),
les solutions de télésanté (Tsai, 2014 ; Liu et Tao, 2021) ou les
technologies portables (Gao et al., 2015 ; Huaeng et coll., 2021).
Van Houwelingen et al. (2018) ont confirmé l'effet substantiel de
l'ES sur l'EE pour la visioconférence médicale. Cependant, l'ES ne
semble pas toujours être liée à l'expérience antérieure
(Middlemass et al., 2017). Gajanayake et al. (2016) ont démontré
que l'impact de l'ES sur l'EE diminue avec l'âge. Néanmoins, plus
les patients expérimentent la technologie et ont confiance en eux,
moins ils perçoivent la technologie comme compliquée. Ainsi, l'ES
est une variable clé de la résilience des soins de santé
numériques. Les deux dimensions du concept de croyances
confiantes (bienveillance et compétence) ont conservé une
influence sur l'espérance de performance. En tant qu'antécédent
des résultats attendus en matière de téléconsultation, ces deux
croyances de confiance sont mises en avant dans le contexte
médical. En effet, ils ont exprimé les perceptions des patients sur
Technovation 120 (2023) 102547
la qualité du médecin lors de l'utilisation des solutions de
téléconsultation. Les résultats ont confirmé que la consultation à
distance n'affecte pas les sentiments de compétence (informé,
efficace) et de bienveillance (attention, intérêt). À notre
connaissance, il n'existe pas d'étude dans laquelle les dimensions
des croyances confiantes déterminent l'espérance de
performance. Peu d'études ont testé l'influence des croyances de
confiance sur l'intention d'utiliser une technologie (Lee et Rao,
2003). Baudier et al. (2020) ont confirmé que parmi les trois
composantes, seule la compétence influence directement
l'intention d'utiliser une cabine de télémédecine. Cependant, la
confiance (conceptualisée sous diverses formes) est souvent
considérée comme essentielle pour prédire l'utilisation des
technologies, en particulier dans des domaines sensibles tels que
les contextes liés à la santé (Jin et al., 2020).
Troisièmement, en tant que modérateurs, les effets de l'âge et
du sexe ont été analysés. Les deux caractéristiques
démographiques sont souvent utilisées pour justifier les
différences de comportement des individus lors de l'utilisation du
modèle UTAUT2 (Venkatesh et al., 2012). Néanmoins, aucune
différence n'a été constatée dans l'influence du sexe sur
l'adoption de la téléconsultation. Ces résultats sont cohérents
avec ceux d'une étude sur les solutions informatiques de santé
(Bawack et Kamdjoug, 2018).
Cependant, l'influence de l'âge sur les deux relations du
modèle de recherche a été démontrée, confirmant l'effet
modérateur de l'âge. En effet, l'effet de l'EE sur la BIU n'a été
rejeté que par le groupe d'âge des 26-35 ans. Ce résultat est
cohérent avec les recherches antérieures dans le domaine de la
santé pour adopter des cabines de télémédecine (Baudier et al.,
2020) ou des services de m-santé (Quaosar et al., 2018 ; Zhang et
coll., 2014). De plus, les conditions de facilitation ne sont validées
que par ce groupe d'âge, ce qui indique qu'ils considèrent avoir les
compétences et les connaissances nécessaires pour utiliser la
téléconsultation ou au moins obtenir un certain soutien. Nos
résultats confirment les résultats de recherches antérieures.
Jewer (2018) a trouvé une relation entre l'EE et la FC. En effet,
lorsque l'impact de la FC sur la BIU a été validé, l'effet de l'EE a été
rejeté. Pour la population plus âgée, même si elle considère la
technologie comme facile à utiliser, elle ne se considère pas
comme habile (Quaosar et al., 2018).
6.1. Mises en œuvre théoriques et managériales
Cette étude contribue à comprendre le rôle des SI dans la
transformation numérique, qui crée une société résiliente face à
une situation pandémique telle que la COVID-19 (Alexopoulos et
al., 2020 ; Raj et coll., 2020). Avec l'avènement d'Internet, la
numérisation de notre société moderne permet aux individus de
maintenir des interactions sociales et économiques à l'aide de
plateformes numériques (Kraus et al., 2021 ; Malgonde et al.,
2020). La crise sanitaire actuelle a modifié les comportements des
individus dans de nombreux aspects de leur vie professionnelle ou
personnelle quotidienne : leur façon d'étudier (cours en ligne),
leur façon de travailler (travail à distance), leur façon d'acheter
(click and collect, vente en ligne), leur façon de communiquer
(visioconférence) et leur façon d'accéder aux soins
(télémédecine). Ainsi, la transformation numérique est essentielle
pour les soins de santé et le taux d'adoption de la
téléconsultation, soutenu par le gouvernement local, a
considérablement augmenté au cours des derniers mois.
6.1.1. Implications théoriques
Cette étude analyse le comportement des patients vis-à-vis de
l'utilisation de la téléconsultation médicale en temps de
pandémie, en mettant en évidence les variables clés pour
l'adoption de telles solutions et en enrichissant la recherche sur le
modèle UTAUT2 en couvrant l'aspect résilience dans la situation
8
P. Baudier et al. Technovation 120 (2023) 102547
spécifique causée par le COVID-19. Cette étude a de la valeur à la plateformes de téléconsultation BIU. Cette étude est l'une des
fois pour le modèle initial d'UTAUT2 et pour les études visant les plus importantes à ce jour (avec un échantillon de 1 233 réponses
extensions d'UTAUT2. valides recueillies et analysées) utilisant une approche des
Tout d'abord, certains chercheurs ont remarqué le manque moindres carrés partiels. Les apports de notre étude à la
d'études confirmant des variables telles que l'habitude dans le littérature sont les suivants : Tout d'abord, nous avons validé
contexte médical, et notre étude a validé cet impact. De plus, les l'importance des principaux facteurs de BIU (PE et EE) qui
effets de l'EP et de l'EE, en tant que plus significatifs du modèle, expliquent l'acceptation de la téléconsultation pendant la
ont été validés pour la téléconsultation dans le contexte médical. pandémie de COVID-19 et consolidé le modèle UTAUT2 basé sur
Dans la lignée des articles précédents, nous avons rejeté l'impact la résilience numérique. À l'inverse, les déterminants SI et FC
de la FC et de l'IS, qui sont plus importants pour les nouvelles rejettent les hypothèses de la théorie originale et
technologies. Les études futures pourront utiliser les résultats de
cette étude pour adapter UTAUT2 en fonction du contexte de la
recherche.
De plus en plus d'études utilisent d'autres facteurs pour
prédire l'intention d'utiliser la technologie. Notre article fournit un
test empirique de variables importantes et met en lumière le
modèle de comportement possible dans le contexte médical, en
particulier pendant la pandémie.
L'ES est rarement étudiée en tant qu'antécédent de
l'espérance d'effort et, à notre connaissance, cette étude est la
première tentative d'établir un lien entre les croyances confiantes
et l'espérance de performance. Ainsi, ces résultats contribuent à
la littérature.

6.1.2. Mise en œuvre pratique

Le secteur de la santé a dû passer d'une stratégie de résilience
à une stratégie d'anti-fragilité (Cobianchi et al., 2020b) en
adaptant ses processus et en adoptant des solutions digitales.
Même si la télémédecine a connu une certaine résistance par
le passé, la pandémie de COVID-19 a accru l'adoption des
solutions de santé en ligne par les patients en améliorant
l'utilisation des plateformes de téléconsultation. Plusieurs parties
prenantes, telles que le personnel médical, le gouvernement, les
institutions médicales et les tiers développant des plateformes
numériques, sont intéressées par la mise en œuvre managériale
de cette étude. En effet, les patients ont confirmé que la
téléconsultation pouvait devenir une habitude. Ainsi, l'écosystème
médical devra s'adapter et commercialiser ses services pour
répondre à leurs attentes et intégrer la dimension digitale à la
santé. L'une des principales craintes concernant la
téléconsultation est le manque de contact humain physique et de
confiance dû à la consultation à distance. Néanmoins, nos
résultats soulignent que les patients considèrent les médecins en
téléthérapie comme compétents, agissant dans leur meilleur
intérêt, faisant de leur mieux pour les aider et s'intéressant à leur
bien-être. Enfin, l'acceptation de la téléconsultation démontre la
résilience de la société à travers la transformation numérique
dans le domaine de la santé. La téléconsultation a été une
réponse à la pandémie ; Néanmoins, il pourrait aussi être une
solution aux « déserts médicaux » dans les régions confrontées à
un manque de personnel médical.

7. Conclusion

La téléconsultation a joué un rôle crucial dans la réduction de

la transmission de la COVID-19 et dans le traitement efficace de
toute personne présentant des symptômes légers ou soupçonnés
de la COVID-19. Cette étude s'est penchée sur deux
aspects :Premièrement, nous avons combiné la résilience par les
moyens numériques et la COVID-19 pour étudier comment les
dimensions des croyances de confiance pourraient mesurer la
résilience numérique et influencer l'espérance de performance et
comment l'économie sociale influence l'espérance d'effort. Dans
un second temps, nous avons contribué au développement de
l'adoption des SI dans le domaine de la santé dans une
perspective de résilience numérique du modèle UTAUT2 en
démontrant comment les dimensions d'UTAUT2 influencent les

9
P. Baudier et al. Technovation 120 (2023) 102547
Annexe 1 France, où le gouvernement a fortement encouragé la
téléconsultation en offrant un remboursement à 100 %. D'autres
EE FC HT UIT PE SE SI TUBERCULOSE TI TC

EE1 0.870 0.428 0.533 0.695 0.701 0.471 0.303 0.618 0.589 0.605
EE2 0.951 0.476 0.488 0.619 0.608 0.440 0.234 0.524 0.515 0.537
EE3 0.952 0.490 0.488 0.623 0.623 0.447 0.248 0.533 0.515 0.552
EE4 0.887 0.554 0.466 0.569 0.563 0.438 0.216 0.454 0.443 0.473
FC1 0.523 0.901 0.312 0.370 0.368 0.335 0.108 0.309 0.267 0.300
FC2 0.457 0.896 0.300 0.333 0.320 0.318 0.103 0.281 0.256 0.273
FC3 0.233 0.531 0.270 0.213 0.259 0.277 0.288 0.224 0.208 0.212
HT1 0.512 0.358 0.890 0.689 0.665 0.521 0.368 0.474 0.443 0.501
HT2 0.288 0.205 0.745 0.402 0.442 0.406 0.438 0.256 0.245 0.287
HT3 0.440 0.287 0.885 0.598 0.597 0.490 0.383 0.416 0.376 0.436
HT4 0.556 0.367 0.895 0.694 0.686 0.544 0.344 0.500 0.459 0.506
UIT1 0.660 0.354 0.610 0.909 0.796 0.495 0.335 0.572 0.546 0.587
UIT2 0.627 0.373 0.700 0.948 0.785 0.500 0.350 0.522 0.500 0.554
UIT3 0.633 0.371 0.687 0.935 0.786 0.507 0.333 0.543 0.499 0.559
PE1 0.664 0.363 0.621 0.828 0.889 0.502 0.340 0.617 0.570 0.633
PE2 0.611 0.336 0.585 0.741 0.889 0.492 0.326 0.570 0.520 0.584
PE3 0.521 0.352 0.636 0.649 0.812 0.503 0.382 0.450 0.443 0.484
PE4 0.545 0.325 0.615 0.677 0.845 0.511 0.418 0.535 0.502 0.538
SE1 0.328 0.218 0.409 0.412 0.424 0.727 0.375 0.378 0.358 0.377
SE2 0.385 0.280 0.553 0.475 0.530 0.832 0.398 0.408 0.375 0.441
SE3 0.461 0.411 0.441 0.420 0.458 0.852 0.295 0.425 0.385 0.427
SI1 0.198 0.121 0.324 0.281 0.336 0.326 0.865 0.201 0.232 0.234
SI2 0.192 0.136 0.330 0.270 0.321 0.322 0.874 0.179 0.202 0.215
SI3 0.192 0.118 0.376 0.259 0.309 0.363 0.820 0.177 0.205 0.211
SI4 0.308 0.209 0.408 0.379 0.418 0.417 0.797 0.317 0.333 0.329
TB1 (en anglais 0.557 0.337 0.473 0.561 0.611 0.496 0.253 0.937 0.803 0.776
seulement)
TB2 (en anglais 0.574 0.323 0.459 0.569 0.605 0.456 0.227 0.944 0.810 0.787
seulement)
TB3 (en anglais 0.504 0.297 0.458 0.506 0.562 0.449 0.285 0.913 0.787 0.751
seulement)
TC1 (en anglais 0.572 0.316 0.493 0.591 0.624 0.485 0.295 0.788 0.789 0.952
seulement)
TC2 (en anglais 0.586 0.317 0.507 0.602 0.637 0.500 0.302 0.812 0.800 0.949
seulement)
TC3 0.547 0.312 0.491 0.562 0.618 0.487 0.271 0.767 0.775 0.948
TC4 (en anglais 0.555 0.314 0.482 0.555 0.610 0.483 0.290 0.775 0.788 0.946
seulement)
TI1 0.534 0.285 0.437 0.530 0.569 0.443 0.299 0.837 0.967 0.801
TI2 0.565 0.301 0.461 0.554 0.592 0.457 0.292 0.839 0.976 0.823
TI3 0.555 0.307 0.441 0.531 0.576 0.447 0.289 0.831 0.976 0.800

pays devraient également être pris en considération.

Comparez les applications précédentes du modèle dans le Troisièmement, les variables de l'ES et de la croyance en matière
domaine de la santé. de confiance ont été incluses ; Néanmoins, d'autres constructions
Deuxièmement, nous avons démontré l'importance de pourraient être incluses dans le modèle.
l'économie sociale et de la confiance dans les attentes en matière Cette recherche n'a pas reçu de subvention spécifique de la
de performance et d'effort en particulier. L'excellence de part d'organismes de financement des secteurs public,
l'adoption et de la gestion de l'ES pourrait améliorer la résilience commercial ou sans but lucratif.
numérique des services de santé grâce aux systèmes de
téléconsultation. En résumé, nos résultats offrent à la fois des
contributions théoriques et des implications pratiques pour la
recherche sur la COVID-19 et peuvent être adoptés par d'autres
études. Nos travaux futurs comprendront l'élargissement de notre
nouvelle méthodologie pour inclure des études multinationales et
l'étude des impacts et de l'étendue de l'influence de l'économie
sociale et de l'efficacité du modèle UTAUT2 basé sur la résilience
numérique.

7.1. Limites et recherches futures

Cette étude présentait certaines limites. Tout d'abord, les

répondants étaient tous des patients qui utilisaient des
plateformes numériques de soins de santé avant ou pendant la
pandémie, et cette étude n'a donc pas inclus les perceptions des
autres patients. Les études futures devraient se concentrer sur les
non-utilisateurs afin de mieux comprendre les facteurs qui
prédisent leur comportement et d'identifier les obstacles
potentiels. Deuxièmement, les données ont été collectées en

10
P. Baudier et al.
Références
Adner, R., 2002. Quand les technologies sont-elles disruptives ? Une vision de
l'émergence de la concurrence fondée sur la demande . Strat. Manag. J. 23
(8), 667–688.
Agarwal, R., Gao, G., DesRoches, C., Jha, A.K., 2010. Commentaire de recherche –
La transformation numérique des soins de santé : état actuel et voie à suivre.
Inf. Syst. Res. 21
(4), 796-809.
Ahmed, M.H., Bogale, A.D., Tilahun, B., Kalayou, M.H., Klein, J., Mengiste, S.A.,
Endehabtu, B.F., 2020. Intention d'utiliser le dossier médical électronique et
ses prédicteurs parmi les prestataires de soins de santé dans les hôpitaux de
référence, nord-ouest de l'Éthiopie, 2019 : utilisation du modèle UTAUT2
(Unified Theory of Acceptance and Use Technology 2). BMC Med. Inf. Décis.
Faire 20 (1), 11.
Ahuja, G., Morris Lampert, C., 2001. L'entrepreneuriat dans les grandes
entreprises : une étude longitudinale de la façon dont les entreprises
établies créent des inventions révolutionnaires. Strat.
Manag. J. 22 (6–7), 521–543.
Alazzam, M.B., Basari, A.S.H., Sibghatullah, A.S., Ibrahim, Y.M., Ramli, M.R., Naim,
M. H., 2016. Confiance dans les données stockées dans les DSE, acceptation
du personnel médical : utilisation d'UTAUT2. Int. J. Appl. Eng. Res. 11 (4),
2737–2748.
Alexandra, S., Handayani, P.W., Azzahro, F., 2021. Modèle d'acceptation de la
télémédecine hospitalière indonésienne : l'influence du comportement de
l'utilisateur et des dimensions technologiques. Heliyon (7), 08599.
Alexopoulos, A.R., Hudson, J.G., Otenigbagbe, O., 2020. L'utilisation des
applications numériques et la COVID-19. Community Ment. Santé J. 56 (7),
1202–1203.
Ali, S., Kleib, M., Paul, P., Petrovskaya, O., Kennedy, M., 2021. Les soins infirmiers
compatissants et l'utilisation des technologies numériques de la santé :
examen de la portée. Int. J. Nurs. Stud., 104161
https://doi.org/10.1016/j.ijnurstu.2021.104161.
Alshakka, M., Badulla, W.F.S., Al-Abd, N., Mohamed Ibrahim, M.I., 2021.
Importance et opportunités de la télémédecine dans les pays pauvres en
ressources en situation épidémique . Curr. J. Appl. Sci. Technol. 40 (33), 9.
Arfi, W.B., Nasr, I.B., Kondrateva, G., Hikkerova, L., 2021. Le rôle de la confiance
dans l'intention d'utiliser l'IoT en e-santé : application de l'UTAUT modifié
dans un contexte de consommation. Technol. Prévision. Soc. Change 167,
120688.
Ayyagari, A., Bhargava, A., Agarwal, R., Mishra, S.K., Mishra, A.K., Das, S.R., et al.,
2003. Utilisation de la télémédecine pour échapper à l'épidémie de choléra
à Mahakumbh Mela, Prayag, UP, Inde : une expérience encourageante.
Télémed. J. e Health 9 (1), 89–94.
Ball, M.J., Weaver, C., Abbott, P.A., 2003. Les technologies habilitantes
promettent de revitaliser le rôle des soins infirmiers à l'ère de la sécurité des
patients. Int. J. Med. Inf. 69 (1), 29–38.
Bandura, A., 1977. L'auto-efficacité : vers une théorie unificatrice du changement
de comportement. Psychol. 84 (2), 191-215.
Banerjee, M., Chakraborty, S., Pal, R., 2020. Téléconsultation et prise en charge
du diabète dans le contexte de la pandémie de COVID-19 en Inde : champs
d'application et défis. J. Diabetes Sci. Technol. 14 (4), 714–715.
Barua, Z., Barua, A., 2021. Acceptation et utilisation des technologies de santé
mobile dans le contexte de la pandémie de COVID-19 dans un pays en
développement : l'UTAUT combinée à la contrainte situationnelle et à la
conscience de la santé. J. Habilitation Technol. 15 (1), 1–22.
Baudier, P., Ammi, C., Lecouteux, A., 2019. L' acceptation par les collaborateurs
de l'internet des objets de santé : une source d'innovation dans les
politiques de ressources humaines des entreprises. J. Innovat. Econ.
Manag. (3), 89 à 111.
Baudier, P., Kondrateva, G., Ammi, C., 2020. L'avenir de la cabine de
télémédecine ? Le cas de l'acceptabilité des étudiants français . Contrats à
terme (122), 102595.
Baudier, P., Ammi, C., Kondrateva, G., Chang, V., Schiavone, F., 2021. Covid-19 et
téléconsultation : une analyse transnationale. Prévisions Technol. Soc.
Modification 163,120510 .
Bawack, R.E., Kamdjoug, J.R.K., 2018. Adéquation de l'UTAUT dans l'adoption des
systèmes d' information de santé par les cliniciens dans les pays en
développement : le cas du Cameroun.
Med. Inf. 109, 15–22.
Beh, P.K., Ganesan, Y., Iranmanesh, M., Foroughi, B., 2021. Utilisation de montres
connectées pour le suivi de la condition physique et de la santé : l'UTAUT2
combiné à l'évaluation des menaces en tant que modérateurs. Comportez-
vous. Inf. Technol. 40 (3), 282–299.
Biancone, P., Secinaro, S., Marseglia, R., Calandra, D., 2021. L'e-santé pour
l'avenir. Perspectives managériales à l'aide d'une approche d'études de cas
multiples. Technovation, 102406.
https://doi.org/10.1016/j.technovation.2021.102406.
Bice-Urbach, B., Kratochwill, T., Fischer, A.J., 2018. Téléconsultation : application
à la prestation de services de consultation pour les conseillers scolaires. J.
Educ. Psychol. Consult.
28 (3), 255 à 278.
Technovation 120 (2023) 102547
Bonsaken, T., Kottorp, A., Gay, C., Fagermoen, M.S., Lerdal, A., 2013. Analyse de
Rasch de l'échelle générale d'auto-efficacité dans un échantillon de
personnes souffrant d'obésité morbide. Health Qual. Life Outcome 11 (1),
202–213.
Bourdon, H., Jaillant, R., Ballino, A., El Kaim, P., Debillon, L., Bodin, S., N 'Kosi, L.,
2020. Téléconsultation en urgences ophtalmologiques primaires pendant le
confinement COVID-19 à Paris : expérience avec 500 patients en mars et
avril 2020. J. Fr. Ophtalmol. 43
(7), 577-585.
Burton-Jones, A., Akhlaghpour, S., Ayre, S., Barde, P., Staib, A., Sullivan, C., 2020.
Changer la conversation sur l'évaluation de la transformation numérique
dans le domaine de la santé : perspectives d'une analyse institutionnelle.
Inf. Organ. 30 (1), 100255.
Chandy, R.K., Tellis, G.J., 1998. S'organiser pour une innovation radicale des
produits : le rôle négligé de la volonté de cannibaliser. J. Marché. Résolution
35 (4), 474–487.
Chang, T.C., Lee, J.D., Wu, S.J., Wang, W.C., 2004. Application de télémédecine
dans le cadre d'une consultation de cas de SRAS . Étalon. Health Technol. Inf.
107, 1547.
Chao, C.C., Jen, W.Y., Hung, M.C., Li, Y.C., Chi, Y.P., 2007. Une approche mobile
innovante pour les services de sécurité des patients : le cas d'un prestataire
de soins de santé taïwanais.
Technovation 27 (6-7), 342-351.
Chen, S.H., Wen, P.C., Yang, C.K., 2014. Concepts d'affaires d' innovations
systémiques en matière de services dans le domaine de la santé en ligne.
Technovation 34 (9), 513-524.
Chiu, W.-T., Hsu, M.H., Chen, W.L., Tsai, S.-H., 2009. Mise en quarantaine et
transport des patients à l'aide d'un système de télémédecine pour les
patients infectés par le virus A/H1N1. Débloquer le niveau 338.
Christensen, C.M., 1997. Le dilemme de l'innovateur : quand les nouvelles
technologies provoquent la faillite des grandes entreprises. Presses de la
Harvard Business School, Boston, MA.
Cimperman, M., Brenˇciˇc, M.M., Turkman, P., 2016. Analyse du comportement
d'acceptation des services de télésanté à domicile des utilisateurs plus âgés
– application d'un modèle UTAUT étendu. J. Med. Inf. 90, 22–31.
Cobianchi, L., Pugliese, L., Peloso, A., Dal Mas, F., Angelos, P., 2020a. Vers une
nouvelle normalité :
la chirurgie et la COVID-19 pendant la phase de transition. Ann. Surg. (272),
49–51.
Cobianchi, L., Dal Mas, F., Peloso, A., Pugliese, L., Massaro, M., Bagnoli, C.,
Angelos, P., 2020b. Planifier la phase de récupération complète : une
perspective antifragile sur la chirurgie après COVID-19. Ann. Surg. 272 (6),
296–299.
Colle, R., Ait Tayeb, A.E.K., de Larminat, D., Commery, L., Boniface, B., Lasica, P.A.,
et al., 2020. Acceptabilité à court terme par les patients et les psychiatres du
recours à la téléconsultation psychiatrique dans le contexte de la pandémie
de COVID-19. Psychiatr.
Clin. Neurosci. 74 (8), 443-444.
Connor, K.M., Davidson, R.T., 2003. Développement d'une nouvelle échelle de
résilience : l'échelle de résilience de Connor-Davidson . Déprimer. Anxiété
(18), 76-82.
Constantinides, P., Fitzmaurice, D.A., 2018. L'intelligence artificielle en cardiologie
: applications, avantages et défis. Br. J. Cardiol. 25 (3), 1–3.
Dahlin, K.B., Behrens, D.M., 2005. Quand une invention est-elle vraiment
radicale : définir et mesurer la radicalité technologique. Res. Pol. 34 (5), 717–
737.
Dash, G., Paul, J., 2021. Méthodes CB-SEM vs PLS-SEM pour la recherche en
sciences sociales et la prospective technologique. Prévisions Technol. Soc.
Change 173, 121092.
Dash, M., Shadangi, P.Y., Muduli, K., Luhach, A.K., Mohamed, A., 2021. Prédire les
facteurs de motivation de l'acceptation de la télémédecine dans la pandémie
de COVID-19 à l'aide de la régression multiple et de l'approche ANN. J. Stat.
Manag. Syst. 24 (2), 319–339.
Datta, A., Jessup, L.M., 2013. Regarder au-delà de l'industrie centrale et des
technologies existantes pour des innovations radicales. Technovation 33
(10–11), 355–367.
Dhiman, N., Arora, N., Dogra, N., Gupta, A., 2019. Adoption par les
consommateurs d'applications de fitness pour smartphones : une perspective
UTAUT2 étendue. J. Indien. Bus. Res. 12 (3), 363–388. Drago, C., Gatto, A.,
Ruggeri, M., 2021. La télémédecine en tant que technologie d'innovation pour
lutter contre CODID-19 : une analyse bibliométrique. Technovation, 102417.
https://doi.org/ 10.1016/j.technovation.2021.102417.
Duarte, P., Pinho, J.C., 2019. Une approche basée sur UTAUT2 pour évaluer l'
adoption de la santé mobile. J. Bus. Res. (102), 140–150.
Elmahdawy, M., Elsisi, G.H., Carapinha, J., Lamorde, M., Habib, A., Agyie-Baffour,
P., et al., 2017. Épidémie de virus Ebola en Afrique de l'Ouest : défis
économiques de la santé mondiale, leçons apprises et recommandations
politiques. Val. Health Reg. Issues (13), 67–70.
Fan, W., Liu, J., Zhu, S., Pardalos, P.M., 2018. Étudier les facteurs d'impact pour
que les professionnels de la santé adoptent un système d'aide au diagnostic
médical basé sur l'intelligence artificielle (AIMDSS). Ann. Oper. Res. 1–26.
Fornell, C., Larcker, D.F., 1981. Évaluation de modèles d'équations structurelles
avec des variables non observables et des erreurs de mesure. J. Marché.
Résolution 18 (1), 39–50.
11
P. Baudier et al.
Francis, R.P., 2019. Examen de l' acceptation par les prestataires de soins de santé
des données des dispositifs d 'autosurveillance des patients à l'aide de la
modélisation par équations structurelles avec le modèle UTAUT2.
Int. J. Healthc. Inf. Syst. Inf. 14 (1), 44–60.
Gajanayake, R., Iannella, R., Sahama, T., 2016. Un aperçu de l'adoption de
systèmes de santé en ligne responsables : un modèle de recherche
empirique basé sur le contexte australien . IRBM 37 (4), 219–231.
Gao, Y., Li, H., Luo, Y., 2015. Une étude empirique de l'acceptation des
technologies portables dans les soins de santé. 115 (9), 1704–1723.
Garcia, R., Calantone, R., 2002. Un regard critique sur la typologie de l'innovation
technologique et la terminologie de l'innovation : une revue de la littérature.
J. Prod. Innovat. Manag. : Int. Publ.
Prod. Dev. Manag. Assoc. 19 (2), 110–132.
Ghose, A., Guo, X., Li, B., Dang, Y., 2021. Autonomiser les patients à l'aide de
plateformes de santé mobiles intelligentes : données probantes d'une
expérience randomisée sur le terrain. Forthcom. MIS Q.
https://doi.org/10.25300/MISQ/2022/16201.
Gong, C., Ribière, V., 2021. Développer une définition unifiée de la transformation
numérique. Technovation (102), 102217.
Goodhue, D.L., Lewis, W., Thompson, R., 2017. Un angle mort statistique de la
multicolinéarité et de l 'erreur de mesure : correction des faux positifs
excessifs dans la régression et le PLS. MIS Q. 41 (3), 667–684.
Gopal, G., Suter-Crazzolara, C., Toldo, L., Eberhardt, W., 2019. Transformation
numérique dans le domaine de la santé – architectures des technologies de
l'information actuelles et futures. Clin. Chem.
Lab. Med. 57 (3), 328–335.
Griebel, L., Sedlmayr, B., Prokosch, H.U., Criegee-Rieck, M., Sedlmayr, M., 2013.
Facteurs clés pour une mise en œuvre réussie de services de e-santé
personnalisés. Étalon.
Health Technol. Inf. 192-965.
Hair, J.F., Sarstedt, M., Ringle, C.M., Mena, J.A., 2012. Une évaluation de
l'utilisation de la modélisation des équations structurelles des moindres
carrés partiels dans la recherche marketing. J. Acad.
Sci. (40), 414–433.
Hair, J.F., Hult, G.T.M., Ringle, C.M., Sarstedt, M., 2022. Une introduction à la
modélisation de l'équation structurelle des moindres carrés partiels (PLS-
SEM), troisième éd. SAGE, Thousand Oaks, CA.
Hein, A.M., Juliette Brun, J., 2019. Un cadre conceptuel pour les technologies de
rupture . In : 22e Conférence internationale sur la conception technique,
CIED19, août 2019, Delft, Pays-Bas ff10.1017/dsi.2019.139ff. ffhal-
02265961f.
Henderson, R., 2006. Le dilemme de l'innovateur comme problème de
compétence organisationnelle. J. Prod. Innovat. Manag. 23 (1), 5 à 11.
Henseler, J., Ringle, C.M., Sinkovics, R.R., 2009. L'utilisation de la modélisation du
chemin des moindres carrés partiels dans le marketing international. Adv.
Marché Int. 20, 277-319.
Henseler, J., Dijkstra, T.K., Sarstedt, M., Ringle, C.M., Diamantopoulos, A., Straub,
D.W.,
Ketchen, D.J., Hair, J.F., Hult, G.T.M., Calantone, R.J., 2014. Croyances
communes et réalité sur les moindres carrés partiels : commentaires sur
Ronk ̈ ko ̈ & evermann. Organe. Res.
Méthodes 17 (2), 182–209.
Hermans, A.N., van der Velden, R.M., Gawalko, M., Verhaert, D.V., Desteghe, L.,
Duncker, D., et al., 2020. Des infrastructures de santé mobiles à la demande
pour permettre une prise en charge complète de la fibrillation auriculaire à
distance et des facteurs de risque grâce à la téléconsultation. Clin. Cardiol.
43 (11), 1232-1239.
Hernandez-Ortega, B., 2011. Le rôle de la confiance post-usage dans l'acceptation
d'une technologie : moteurs et conséquences. Technovation 31 (10-11), 523-
538.
Holden, R.J., Karsh, B.T., 2010. Le modèle d'acceptation de la technologie : son
passé et son avenir dans le domaine de la santé. J. Biomed. Inf. 43 (1), 159–
172.
Hopster, J., 2021. Qu'est-ce qu'une technologie socialement disruptive ? Soc.
Technol. 67, 101750.
Hoquea, R., Sorwar, G., 2017. Comprendre les facteurs influençant l'adoption de
la mHealth par les personnes âgées : une extension du modèle UTAUT. Int. J.
Med. Inf. 101,
75 à 84.
Hsiao, J.L., Chang, H.C., Chen, R.F., 2011. Étude des facteurs influençant
l'acceptation des systèmes d'information hospitaliers : une perspective
infirmière. J. Nurs. Res. 19 (2), 150–160.
Hsu, C.L., Lee, M.R., Su, C.H., 2013. Le rôle de la protection de la vie privée dans
l'adoption des systèmes d'information sur les soins de santé . J. Med. Syst. 37
(5), 9966.
Huaeng, K.-H., Yu, T.H.-K., Lee, C.F., 2021. Modèle d'adoption des dispositifs
portables pour le secteur de la santé . Prévisions technologiques. Soc.
Change 174, 121286.
Iizuka, M., Ikeda, Y., 2021. Régulation et innovation à l'heure de la 4ème
révolution industrielle : le cas d'un robot de santé, HAL by Cyberdyne.
Technovation 108,102335 .
Technovation 120 (2023) 102547
Jang, S.H., Kim, R.H., Lee, C.W., 2016. Effet de la qualité du service de santé sur
l'intention d'utilisation d'un service de santé. Prévisions Technol. Soc.
Change 113, 396–403.
Jewer, J., 2018. Intention des patients d'utiliser l'affichage en ligne des temps
d'attente à l'urgence : un modèle UTAUT modifié . Int. J. Med. Inf. 112, 34–
39.
Jin, S., Ahn, H., 2019. Une étude sur l'adoption des dispositifs de soins de santé
portables : une approche intégrée de l'UTAUT2 et du MIR. J. Inf. Syst. 28 (3),
159–202.
Jin, X.L., Yin, M., Zhou, Z., Yu, X., 2020. Les effets différentiels de la confiance dans
les croyances sur la volonté des utilisateurs de médias sociaux d' adopter et
de partager des connaissances en matière de santé.
Manag. 58 (1), 102413.
Katz, J.N., Sinha, S.S., Alviar, C.L., Dudzinski, D.M., Gage, A., Brusca, S.B., et al.,
2020. Modifications perturbatrices de la prestation des soins intensifs
cardiaques pendant la pandémie de Covid-19 : une perspective
internationale. J. Am. Coll. Cardiol. 76 (1), 72–84.
Khodadad-Saryazdi, A., 2021. Explorer les enjeux de la mise en œuvre de la
télémédecine à travers l'approche de l'innovation des processus : une étude
de cas dans le secteur de la santé en France . Technovation 107, 102273.
Kimhi, S., Marciano, H., Eshel, Y., Adini, B., 2020. Résilience et caractéristiques
démographiques prédictives de la détresse pendant la crise de la COVID-19.
Soc. Sci. Med. 265, 113389.
King, W.R., He, J., 2006. Une méta-analyse du modèle d'acceptation de la
technologie. Inf.
Manag. 43 (6), 740–755.
Kodama, M., 2020. Transformer numériquement les styles de travail à l'ère des
maladies infectieuses. Int. J. Inf. Manag. (55), 102172
Kohnke, A., Cole, M.L., Bush, R., 2014. Intégration des prédicteurs UTAUT pour
comprendre l 'acceptation par les patients et les cliniciens des soins à
domicile des équipements de télémédecine de santé. J. Technol. Manag.
Innovat. (9 :2), 29-41.
Kraus, S., Schiavone, F., Pluzhnikova, A., Invernizzi, A.C., 2021. Transformation
numérique dans le domaine de la santé : analyse de l'état actuel de la
recherche. J. Bus. Res. (123), 557–567.
Latifi, M.A., Nikou, S., Bouwman, H., 2021. Innovation des modèles d'affaires et
performance des entreprises : exploration des mécanismes de causalité dans
les PME. Technovation 107, 102274.
Lee, J.K., Rao, R., 2003. Une étude sur la confiance des clients dans les services en
ligne de gouvernement à client. AMCIS Proc. (102).
Lee, J., Rho, M.J., 2013. Perception des facteurs d'influence sur l'acceptation du
service mobile de surveillance de la santé : comparaison entre utilisateurs et
non-utilisateurs. Santéc. Inf. Res. 19
(3), 167-176.
Lee, M.K., Turban, E., 2001. Un modèle de confiance pour les achats en ligne des
consommateurs. Int. J.
Électron. Commer. 6 (1), 75-91.
Liu, K., Tao, D., 2021. Les rôles de la confiance, de la personnalisation, de la perte
de vie privée et de l' anthropomorphisme dans l'acceptation par le public
des services de santé intelligents. Comput. Bourdonner. Comportez-vous.
(127), 107026
Luo, X., Li, H., Zhang, J., Shim, J.P., 2010. Examen de la confiance
multidimensionnelle et du risque multidimensionnel dans l'acceptation
initiale des technologies émergentes : une étude empirique des services
bancaires mobiles. Décis. Soutien Syst. 49 (2), 222–234.
Malgonde, O., Zhang, H., Padmanabhan, B., Limayem, M., 2020. Apprivoiser la
complexité du search matching : systèmes de recommandation bilatéraux
sur les plateformes numériques. MIS Q. 44
(1), 49 à 84.
Massaro, M., 2021. Transformation numérique dans le secteur de la santé grâce à
la technologie blockchain. Perspectives issues de la recherche universitaire
et de l'évolution des affaires. Technovation, 102386.
https://doi.org/10.1016/j.technovation.2021.102386.
McDonald, T., Siegall, M., 1992. Les effets de l'auto-efficacité technologique et de
l'accent mis sur le travail sur la performance au travail, les attitudes et les
comportements de retrait. J. Psychol. 126 (5),
465 à 475.
McKnight, D.H., Choudhury, V., Kacmar, C., 2002. L'impact de la confiance initiale
des consommateurs sur les intentions d'effectuer des transactions avec un
site Web : un modèle de renforcement de la confiance. J. Strat. Inf. Syst.
(11), 297 à 323.
Meng, F., Guo, X., Peng, Z., Lai, K.H., Zhao, X., 2019. Étude de l'adoption des
services de santé mobiles par les utilisateurs âgés : modèle de transfert de
confiance et étude d'enquête. JMIR mHealth uHealth 7 (1), e12269.
Middlemass, J.B., Vos, J., Siriwardena, A.N., 2017. Perceptions sur l'utilisation de
la télésurveillance à domicile chez les patients atteints d'affections de
longue durée - concordance avec le modèle d'acceptation des technologies
de l'information sur la santé : une étude de cas collective qualitative. BMC
Med. Inf. Decis. Faire 17 (1), 89.
Moazzami, B., Razavi-Khorasani, N., Moghadam, A.D., Farokhi, E., Rezaei, N.,
2020. COVID-19 et télémédecine : des mesures immédiates s'imposent pour
12
P. Baudier et al. Technovation 120 (2023) 102547
Sousa, M.J., Pesqueira, A., Lemos, C., Sousa, M., Rocha, A., 2019. Prise de
maintenir le bien-être des prestataires de soins de santé. Virol. (126),
décision basée sur l'analyse de données massives pour la gestion des
104345
personnes dans les organisations de soins de santé. J. Med. 43 (9), 290.
Mpinganjir, M., 2018. Précurseurs de la confiance dans les communautés de
Sun, H., Zhang, P., 2006. Le rôle des facteurs modérateurs dans l'acceptation de la
santé virtuelles : une enquête hiérarchique . Inf. Manag. 55 (6), 686–694.
technologie par l'utilisateur.
Napitupulu, D., Yacub, R., Putra, A.H.P.K., 2021. Facteurs influençant l'acceptation
Int. J. Hum. Comput. Étalon. 64 (2), 53 à 78.
de la télésanté pendant l'épidémie de COVID-19 : extension du modèle
Sun, Y., Wang, N., Guo, X., Peng, Z., 2013. Comprendre l'acceptation des services
UTAUT. Int. J. Intell. Ing. 14 (3), 267–281.
de santé mobiles : comparaison et intégration de modèles alternatifs. J.
Naveen, R., Sundaram, T.G., Agarwal, V., Gupta, L., 2021. Expérience de
Electron.
téléconsultation avec les myopathies inflammatoires idiopathiques : une
14 (2), 183–200.
étude de cohorte observationnelle prospective pendant la pandémie de
Talukder, M.S., Sorwar, G., Bao, Y., Ahmed, J.U., Palash, M.A.S., 2020. Prédiction
COVID-19. Rhumatol. Int. 41 (1), 67–76.
des antécédents de l'acceptation des technologies de soins de santé
Owusu Kwateng, K., Appiah, C., Atiemo, K.A.O., 2019. Adoption des systèmes
portables par les personnes âgées : une approche combinée MEB-réseau
d'information sur la santé : le point de vue des professionnels de la santé . neuronal. Prévisions Technol. Soc. Change 150, 119793.
Manag. 1 à 17. Tamayo, A.L., Espinos, E.L., Gon' zalez, E.R., Guz' man, C.T.,' Alvarez-Maestro, M.,
Pal, D., Funilkul, S., Charoenkitkarn, N., Kanthamanon, P., 2018. Internet des '
de Castro Guerín, C., et al., 2020. Évaluation du système de téléconsultation
objets et maisons intelligentes pour les soins de santé aux personnes âgées :
chez le patient urologique pendant la pandémie de COVID-19. Actas Urol.
le point de vue de l'utilisateur final. Accès IEEE (6), Esp. 44 (9), 617–622. Édition anglaise.
10483 à 10496. Tavares, J., Goulao, A., Oliveira, T., 2018. Adoption des portails de dossiers de
Palmer, J.W., Bailey, J.P., Faraj, S., 2000. Le rôle des intermédiaires dans le santé électroniques :˜ modèle empirique basé sur UTAUT2. Inf. Health Soc.
développement de la confiance sur le WWW : l'utilisation et la prééminence Care 43 (2), 109–125.
des tiers de confiance et les déclarations de confidentialité . J. Computer-
Tortorella, G.L., Fogliatto, F.S., Saurin, T.A., Tonetto, L.M., McFarlane, D., 2021.
Mediated Commun. 5 (3), JCMC532.
Contributions des applications numériques de la santé 4.0 à la résilience des
Park, I., Sarnikar, S., Cho, J., 2020. Démêler les effets du soutien informationnel
organisations de soins de santé pendant l'épidémie de COVID-19.
facilitant l'efficacité sur la résilience en santé dans les communautés de
Technovation, 102379. https://doi.
santé en ligne à partir d' une analyse de texte au niveau de la phrase. Inf.
org/10.1016/j.technovation.2021.102379.
Manag. 57, 103372.
Tracey, L.E., Regan, A.K., Armstrong, P.K., Dowse, G.K., Effler, P.V., 2015. Ebola
Pavlou, P.A., 2003. Acceptation du commerce électronique par les
Tracks : un système SMS automatisé pour le suivi des personnes
consommateurs : intégrer la confiance et avec le modèle d'acceptation de la
potentiellement exposées à la maladie à virus Ebola . Euro Surveill. 20 (1),
technologie. Int. J. Electron. Commer. 7 (3), 101–134. Perez-Noboa, B., Soledispa-
20999.
Carrasco, A., Padilla, V.S., Velasquez, W., 2021.´ Les applications de
Tsai, C.-H., 2014. Intégrer la théorie du capital social, la théorie cognitive sociale
téléconsultation dans la pandémie de COVID-19 : le cas de la ville de Guayaquil,
et le modèle d'acceptation de la technologie pour explorer un modèle
Équateur. IEEE Eng. Manag. 49 (1), 27–37.
comportemental des systèmes de télésanté.
Pinar, U., Anract, J., Perrot, O., Tabourin, T., Chartier-Kastler, E., Parra, J., et al.,
Int. J. Environ. Res. Publ. Health 11 (5), 4905–4925.
2020. Évaluation préliminaire de la satisfaction des patients et des médecins
Van Houwelingen, C.T., Ettema, R.G., Antonietti, M.G., Kort, H.S., 2018.
à l'égard de l'utilisation de la téléconsultation en urologie pendant la
Comprendre l'état de préparation des personnes âgées à recevoir des services de
pandémie de COVID-19. Monde J. Urol. 1–6.
télésanté : étude à méthodes mixtes. J. Med.
Quaosar, G.A.A., Hoque, M.R., Bao, Y., 2018. Étudier les facteurs affectant
Résolution Internet 20 (4), e123.
l'intention comportementale des personnes âgées d'utiliser les services de
Venkatesh, V., Morris, M.G., Davis, G.B., Davis, F.D., 2003. Acceptation des
M-santé : une étude empirique. Télémed. e-santé
technologies de l'information par les utilisateurs : vers une vision unifiée.
24 (4), 309 à 314.
MIS Q. 425–478.
Rahi, S., Khan, M.M., Alghizzawi, M., 2020. Facteurs influençant l'adoption des
Venkatesh, V., Thong, J.Y., Xu, X., 2012. Acceptation et utilisation des
services de santé par télémédecine pendant la crise de la pandémie de
technologies de l'information par les consommateurs : extension de la
COVID-19 : un modèle de recherche intégrative . Enterprise Inf. Syst. 1–25.
théorie unifiée de l'acceptation et de l'utilisation de la technologie. Le SIG
Raj, M., Sundararajan, A., You, C., 2020. COVID-19 et résilience numérique :
Q. 36 (1), 157-178.
données probantes de la prépublication arXiv d'Uber Eats arXiv :2006.07204.
Venugopala, P., Jinkab, S., Priyac, S.A., 2016. Acceptation par les utilisateurs des
Ravangard, R., Kazemi, Z., Abbasali, S.Z., Sharifian, R., Monem, H., 2017.
dossiers de santé électroniques : validation croisée du modèle UTAUT.
Développement du modèle UTAUT2 pour mesurer l'acceptation des portails
Gestion globale. 10 (3), 42-54.
de laboratoire médical par les patients de Shiraz. Électron. Médecin 9 (2),
Vinnikova, A., Lu, L., Wei, J., Fang, G., Yan, J., 2020. L'utilisation d'applications de
3862.
fitness sur smartphone : le rôle de l'auto-efficacité et de l'autorégulation. Int.
Ray, S., Ray, P.K., 2011. L'innovation produit pour la voiture du peuple dans une
J. Environ. Res. Publ. Santé 17 (20), 7639.
économie émergente. Technovation 31 (5-6), 216-227.
Wang, H., Tao, D., Yu, N., Qu, X., 2020. Comprendre l'acceptation par les
Rho, M.J., Choi, I.Y., Lee, J., 2014. Facteurs prédictifs de l'acceptation des services
consommateurs des dispositifs portables de soins de santé : un modèle
de télémédecine et Intention comportementale des médecins. Int. J. Med.
intégré de l'UTAUT et du TTF. Inf., 104156
Inf. 83 (8), 559–571.
Wang, H., Liang, L.Y., Orang, C.L., Wu, Y.K., 2021. Mise en place d'hôpitaux en
Rho, M.J., Kim, H.S., Chung, K., Choi, I.Y., 2015. Facteurs influençant l'acceptation
ligne et facteurs influençant l'adoption des services médicaux mobiles en
de la télémédecine pour la prise en charge du diabète. Calcul en grappe. 18
Chine : étude d 'enquête transversale. JMIR Mhealth Uhealth 9 (2), 25960.
(1), 321-331.
Winterhalter, S., Zeschky, M.B., Neumann, L., Gassmann, O., 2017. Modèles d
Romani, G., Dal Mas, F., Massaro, M., Cobianchi, L., Ferrara, M., 2021. Stratégies
'affaires pour l'innovation frugale dans les marchés émergents : le cas de
de santé de la population pour soutenir la résilience des hôpitaux et des
l'industrie des dispositifs médicaux et des équipements de laboratoire .
unités de soins intensifs pendant la pandémie de COVID-19 : l'expérience
Technovation (66), 3-13.
italienne. Popul. Gestion de la santé. 24 (2), 174 à 181.
Wong, V.W., Wang, A., Manoharan, M., 2021. Utilisation de la télésanté pour la
Sari, H., Othman, M., Al-Ghaili, A.M., 2018. Une proposition de cadre conceptuel
prise en charge ambulatoire du diabète pendant la pandémie de COVID-19 :
pour l'adoption des technologies de santé mobiles parmi les employés sur
les lieux de travail en Malaisie. In : Conférence internationale sur les comment les patients s'en sont-ils sortis ? Interner.
technologies fiables de l'information et de la communication, pp. 736-748. Med. J. 51 (12), 2021–2026.
Schmitz, A., Díaz-Martín, A.M., Guillen, M.J.Y., 2022. Modification de UTAUT2 Wu, J.H., Chen, Y.C., Lin, L.M., 2007. Évaluation empirique du modèle révisé
pour un´ Comparaison de l'adoption de la télémédecine par pays. Comput. d'acceptation de l'informatique par l'utilisateur final. Comput. Hum.
Hum. Behave., 107183 Comportez-vous. 23 (1), 162-174.
Schuelke-Leech, B.A., 2018. Un modèle pour comprendre les ordres de grandeur Zhang, X., Guo, X., Lai, K.H., Guo, F., Li, C., 2014. Comprendre les différences entre
des technologies de rupture. Prévisions Technol. Soc. Change 129, 261–274. les sexes dans l 'adoption de la m-santé : une théorie modifiée du modèle
Secundo, G., Toma, A., Schiuma, G., Passiante, G., 2019. Le transfert de d'action raisonnée. Télémed. e-santé
connaissances dans l'innovation ouverte : un cadre de classification pour les 20 (1), 39 à 46.
écosystèmes de santé. J . 25 (1), 144–163. Zhao, Y., Ni, Q., Zhou, R., 2018. Quels sont les facteurs qui influencent l'adoption
Shiferaw, K.B., Mehari, E.A., 2019. Modélisation des prédicteurs de l'acceptation des services de santé mobiles ? Une méta-analyse et le rôle modérateur de
et de l'utilisation d' un système de dossiers médicaux électroniques dans un l'âge. Int. J. Inf. Manag. (43),
contexte de ressources limitées : à l'aide d'un modèle UTAUT modifié. 342 à 350.
Informer. Med. Unlocked (17), 100182. Zhu, Z., Liu, Y., Che, X., Chen, X., 2018. Facteurs modérateurs influençant
Sibley, C.G., Greaves, L.M., Satherley, N., Wilson, M.S., Overall, N., Barlow, F.K., l'adoption d'un système mobile de gestion des maladies chroniques en
2020. Effets de la pandémie de COVID-19 et du confinement à l'échelle Chine. Inf. Health Soc. Care 43 (1), 22–41.
nationale sur la confiance, les attitudes à l'égard du gouvernement et le
bien-être. Am. Psychol. 75 (5), 618–630.

13