Using Health Information Technology to Foster Engagement: Patients’ Experiences with an Active Patient Health Record
Notice bibliographique
Résumé
Personal health records (PHRs) typically employ "passive" communication strategies, such as non-personalized medical text, rather than direct patient engagement in care. Currently there is a call for more active PHRs that directly engage patients in an effort to improve their health by offering elements such as personalized medical information, health coaches, and secure messaging with primary care providers. As part of a randomized clinical trial comparing "passive" with "active" PHRs, we explore patients' experiences with using an "active" PHR known as HealthTrak. The "passive" elements of this PHR included problem lists, medication lists, information about patient allergies and immunizations, medical and surgical histories, lab test results, health reminders, and secure messaging. The active arm included all of these elements and added personalized alerts delivered through the secure messaging platform to patients for services coming due based on various demographic features (including age and sex) and chronic medical conditions. Our participants were part of the larger clinical trial and were eligible if they had been randomized to the active PHR arm, one that included regular personalized alerts. We conducted focus group discussions on the benefits of this active PHR for patients who are at risk for cardiovascular disease. Forty-one patients agreed to participate and were organized into five separate focus group sessions. Three main themes emerged from the qualitatively analyzed focus groups: participants reported that the active PHR promoted better communication with providers; enabled them to more effectively partner with their providers; and helped them become more proactive about tracking their health information. In conclusion, patients reported improved communication, partnership with their providers, and a sense of self-management, thus adding insights for PHR designers hoping to address low adoption rates and other patient barriers to the development and use of the technology.
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 | 0,016 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,007 |
| Communication savante | 0,009 | 0,009 |
| Science ouverte | 0,002 | 0,012 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».