MétaCan
Menu
Retour à la cohorte
Enregistrement W2174149776 · doi:10.2196/mhealth.4651

Crafting Appealing Text Messages to Encourage Colorectal Cancer Screening Test Completion: A Qualitative Study

2015· article· en· W2174149776 sur OpenAlexvenueno aff
Kathryn E. Weaver, Shellie D. Ellis, Nancy Denizard‐Thompson, Donna Kronner, David P. Miller

Notice bibliographique

RevueJMIR mhealth and uhealth · 2015
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesNational Cancer InstituteNational Institutes of HealthWake Forest University
Mots-clésHelpfulnessPsychological interventionMedicineReceiptmHealthFamily medicineQualitative researchHealth careFocus groupCancer screeningModerationPsychologyNursingCancerSocial psychologyWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: mHealth interventions that incorporate text messages have great potential to increase receipt of preventive health services such as colorectal cancer screening. However, little is known about older adult perspectives regarding the receipt of text messages from their health care providers. OBJECTIVE: To assess whether older adults would value and access text messages from their physician's practice regarding colorectal cancer screening. METHODS: We conducted four focus groups with 26 adults, aged 50 to 75 years, who had either recently completed or were overdue for colorectal cancer screening. A trained moderator followed a semistructured interview guide covering participant knowledge and attitudes regarding colorectal cancer screening, potential barriers to colorectal cancer screening, attitudes about receiving electronic communications from a doctor's office, and reactions to sample text messages. RESULTS: Participant responses to three primary research questions were examined: (1) facilitators and barriers to colorectal cancer screening, (2) attitudes toward receiving text messages from providers, and (3) characteristics of appealing text messages. Two themes related to facilitators of colorectal cancer screening were perceived benefits/need and family experiences and encouragement. Themes related to barriers included unpleasantness, discomfort, knowledge gaps, fear of complications, and system factors. Four themes emerged regarding receipt of text messages from health care providers: (1) comfort and familiarity with technology, (2) privacy concerns/potential for errors, (3) impact on patient-provider relationship, and (4) perceived helpfulness. Many participants expressed initial reluctance to receiving text messages but responded favorably when shown sample messages. Participants preferred messages that contained content that was important to them and were positive and reassuring, personalized, and friendly to novice texters (eg, avoided the use of texting shorthand phrases and complicated replies); they did not want messages that contain bad news or test results. They wanted the ability to choose alternative options such as email or phone calls. CONCLUSIONS: Older adults are receptive to receiving cancer screening text messages from health care providers. Sharing sample messages with patients may increase acceptance of this tool in the clinic setting. Supportive tailored text messaging reminders could enhance uptake of colorectal cancer screening by enhancing patient self-efficacy and providing cues to action to complete colonoscopy or fecal occult blood testing.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,007
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,067
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0070,001
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0040,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,002
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,206
Tête enseignante GPT0,548
Écart entre enseignants0,343 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations43
Publié2015
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealthMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207