Perceptions of chronically ill and healthy consumers about electronic personal health records: a comparative empirical investigation
Notice bibliographique
Résumé
OBJECTIVE: To develop a model of consumer perceptions of electronic personal health records (PHRs) and validate it in a comparative study between consumers who report having a chronic illness and those who report being well. MATERIALS AND METHODS: A model of PHR use motivators and barriers was built and tested through a national survey across Canada. Data were collected from 800 individuals, 18 years or older. Half reported having a chronic illness or disability and half reported being well. Analyses were performed with structural equation modelling techniques. RESULTS: A total of 389 answers from chronically ill and 383 from well participants were collected. Perceived usefulness was the key explanation of the intention to use PHRs for both ill and well people (total effect of 0.601 and 0.565, respectively) followed by security, privacy and trust in PHRs (total effect of 0.377 and 0.479, respectively). Conversely, computer anxiety was perceived as a significant barrier (total effect of -0.327 for ill individuals and -0.212 for well individuals). DISCUSSION: The model proposed was appropriate in explaining key consumer positive and negative perceptions on electronic PHR use. We found little difference in perceptions of electronic PHRs between chronically ill and well individuals, although self-reporting their health status might have influenced the results. CONCLUSIONS: To increase the adoption rate of electronic PHRs among both chronically ill and well consumers it is necessary to reinforce consumer perceptions of the usefulness of and trust in these eHealth technologies while mitigating their anxieties about computer use in general.
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».