Support for Sustainable Use of Personal Health Records: Understanding the Needs of Users as a First Step Towards Patient-Driven Mobile Health
Notice bibliographique
Résumé
BACKGROUND: The tethering of a personal health record (PHR) to an electronic medical record (EMR) may serve as a catalyst in accelerating the distribution of integrated PHRs. Creating shared health records for patients and their health care professionals using self-administered functions of EMR-tethered PHRs is crucial to support sustainable use of the system. OBJECTIVE: This study assesses the factors related to active use of a self-administered function (Health Notes) in an EMR-tethered PHR (Health4U) in a tertiary academic hospital. METHODS: This research is a cross-sectional study conducted in a tertiary academic hospital in South Korea. The enrollees included adults aged 19 years and older with experience accessing Health4U in the 13-month period after June 2013. The primary outcome was the adoption of Health Notes in accordance with the number of chronic diseases. Socio-demographic variables were included as confounding factors. RESULTS: Subjects 71 years of age and older were less likely to become active users of Health Notes than those 30 years and younger. Moreover, compared with men, women had 44% and 40% lower tendencies to become Health Notes users and active users, respectively. Those who accessed the desktop page and/or mobile page had higher tendencies to become users of Health Notes. We found a consistent increase in the odds ratio as the number of chronic diseases increased in the active users. When considering specific diseases, patients who had cancer or chronic kidney disease had higher tendencies to become users of Health Notes. CONCLUSIONS: Patients with a greater number of chronic diseases tended to use PHR more actively, and used the self-administered function. Women and the elderly may have lower tendencies to actively use PHR. Therefore, items specific to the health of each demographic-women, the elderly, and those with chronic diseases-should be carefully considered to support sustainable use of PHRs.
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 | 0,003 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».