Conditions potentially sensitive to a Personal Health Record (PHR) intervention, a systematic review
Notice bibliographique
Résumé
BACKGROUND: Personal Health Records (PHRs) are electronic health records controlled, shared or maintained by patients to support patient centered care. The potential for PHRs to transform health care is significant; however, PHRs do not always achieve their potential. One reason for this may be that not all health conditions are sensitive to the PHR as an intervention. The goal of this review was to discover which conditions were potentially sensitive to the PHR as an intervention, that is, what conditions have empirical evidence of benefit from PHR-enabled management. METHODS: A systematic review of Medline and CINAHL was completed to find articles assessing PHR use and benefit from 2008 to 2014 in specific health conditions. Two researchers independently screened and coded articles. Health conditions with evidence of benefit from PHR use were identified from the included studies. RESULTS: 23 papers were included. Seven papers were RCTs. Ten health conditions were identified, seven of which had documented benefit associated with PHR use: asthma, diabetes, fertility, glaucoma, HIV, hyperlipidemia, and hypertension. Reported benefits were seen in terms of care quality, access, and productivity, although many benefits were measured by self-report through quasi-experimental studies. No study examined morbidity/mortality. No study reported harm from the PHR. CONCLUSION: There is a small body of condition specific evidence that has been published. Conditions with evidence of benefit when using PHRs tended to be chronic conditions with a feedback loop between monitoring in the PHR and direct behaviours that could be self-managed. These findings can point to other potentially PHR sensitive health conditions and guide PHR designers, implementers, and researchers. More research is needed to link PHR design, features, adoption and health outcomes to better understand how and if PHRs are making a difference to health outcomes.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,030 | 0,148 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,008 | 0,007 |
| Bibliométrie | 0,011 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».