Planning Locally Relevant Internet Programs for Secondary Prevention of Cardiovascular Disease
Notice bibliographique
Résumé
BACKGROUND: Although the Internet has been shown to be an effective tool for supporting behavioural change in other chronic diseases, less in known about the efficacy of, or need for, Internet-based interventions in the prevention of coronary heart disease (CHD). AIMS: We investigated computer literacy, consumer need and perceived usefulness of the Internet as a secondary prevention tool in people with CHD. METHODS: A two-step mixed-method process was used that included a survey and two focus groups. The 12-item survey explored participants' access and confidence using the Internet. For the focus groups, we used standard methodology. RESULTS: We recruited 66 (88% response rate) consecutive cardiac patients; age 36-73 years (mean 64±13), mostly male (85%), whose primary language was predominantly English (67%). Seventy percent had a home computer with Internet access but only 20% reported researching their heart-health online. There was polarity between those with and without Internet access. Further, we found less women than men could complete online forms (p=0.03) and that participants aged over 65 years were less likely to access the Internet (p<0.01) and had lower confidence (p<0.01) than younger counterparts. Focus groups revealed challenges of an online secondary prevention service, but participants valued relevant, practical advice and placed strong emphasis on simple web design. CONCLUSION: Using a mixed-methods process we collected locally sensitive information about Internet usage and recommendations for future online health-management strategies. Some patients have more confidence using the Internet, therefore a range of multi-technological secondary prevention interventions should be considered based on individual need.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».