A Novel Patient Engagement Platform Using Accessible Text Messages and Calls (Epharmix): Feasibility Study
Notice bibliographique
Résumé
BACKGROUND: Patient noncompliance with therapy, treatments, and appointments represents a significant barrier to improving health care delivery and reducing the cost of care. One method to improve therapeutic adherence is to improve feedback loops in getting clinically acute events and issues to the relevant clinical providers as necessary (ranging from detecting hypoglycemic events for patients with diabetes to notifying the provider when patients are out of medications). Patients often don't know which information should prompt a call to their physician and proactive checks by the clinics themselves can be very resource intensive. We hypothesized that a two-way SMS system combined with a platform web service for providers would enable both high patient engagement but also the ability to detect relevant clinical alerts. OBJECTIVE: The objectives of this study are to develop a feasible two-way automated SMS/phone call + web service platform for patient-provider communication, and then study the feasibility and acceptability of the Epharmix platform. First, we report utilization rates over the course of the first 18 months of operation including total identified clinically significant events, and second, review results of patient user-satisfaction surveys for interventions for patients with diabetes, COPD, congestive heart failure, hypertension, surgical site infections, and breastfeeding difficulties. METHODS: To test this question, we developed a web service + SMS/phone infrastructure ("Epharmix"). Utilization results were measured based on the total number of text messages or calls sent and received, with percentage engagement defined as a patient responding to a text message at least once in a given week, including the number of clinically significant alerts generated. User satisfaction surveys were sent once per month over the 18 months to measure satisfaction with the system, frequency and degree of communication. Descriptive statistics were used to describe the above information. RESULTS: In total, 28,386 text messages and 24,017 calls were sent to 929 patients over 9 months. Patients responded to 80% to 90% of messages allowing the system to detect 1164 clinically significant events. Patients reported increased satisfaction and communication with their provider. Epharmix increased the number of patient-provider interactions to over 10 on average in any given month for patients with diabetes, COPD, congestive heart failure, hypertension, surgical site infections, and breastfeeding difficulties. CONCLUSIONS: Engaging high-risk patients remains a difficult process that may be improved through novel, digital health interventions. The Epharmix platform enables increased patient engagement with very low risk to improve clinical outcomes. We demonstrated that engagement among high-risk populations is possible when health care comes conveniently to where they are.
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 | 0,008 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 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 | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».