Addressing Disparities in Diabetes Management Through Novel Approaches to Encourage Technology Adoption and Use
Notice bibliographique
Résumé
Type 2 diabetes (T2D) is one of the nation's leading drivers of disability and health care utilization, with elevated prevalence among individuals with lower education, income, and racial/ethnic minorities. Health information technology (HIT) holds vast potential for helping patients, providers, and payers to address T2D and the skyrocketing rates of chronic illness and associated health care costs. Patient portals to electronic health records (EHRs) serve as a gateway to consumer use of HIT. We found that disparities in portal use portend growing T2D disparities. Little progress has been made in addressing identified barriers to technology adoption, especially among populations with elevated risk of T2D. Patients often lack digital literacy skills and continuous connectivity and fear loss of the relationship with providers. Providers may experience structural disincentives to promoting patient use of HIT and apply hidden biases that inhibit portal use. Health care systems often provide inadequate training to patients and providers in use of HIT, and lack resources devoted to obtaining and optimizing use of data generated by HIT. Lastly, technology-related barriers include inadequate consideration of user perspectives, lack of evidence for patient-focused apps, and lack of features to enable providers and health care systems to readily obtain aggregate data to improve care and facilitate research. After discussing these barriers in detail, we propose possible solutions and areas where further research is needed to ensure that individuals and health care systems obtain the full benefit of the nation's planned $38 billion HIT investment. A digital inclusion framework sheds new light on barriers posed for patients with social health inequalities. We have determined that partnerships with community organizations focused on digital inclusion could help health systems explore and study new approaches, such as universal screening and referral of patients for digital skills, health literacy, and Internet connectivity.
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 | 0,018 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,003 | 0,013 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,002 |
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 ».