Characteristics of Innovators Adopting a National Personal Health Record in Portugal: Cross-Sectional Study
Notice bibliographique
Résumé
BACKGROUND: Personal health records (PHRs) are increasingly being deployed worldwide, but their rates of adoption by patients vary widely across countries and health systems. Five main categories of adopters are usually considered when evaluating the diffusion of innovations: innovators, early adopters, early majority, late majority, and laggards. OBJECTIVE: We aimed to evaluate adoption of the Portuguese PHR 3 months after its release, as well as characterize the individuals who registered and used the system during that period (the innovators). METHODS: We conducted a cross-sectional study. Users and nonusers were defined based on their input, or not, of health-related information into the PHR. Users of the PHR were compared with nonusers regarding demographic and clinical variables. Users were further characterized according to their intensity of information input: single input (one single piece of health-related information recorded) and multiple inputs. Multivariate logistic regression was used to model the probability of being in the multiple inputs group. ArcGis (ESRI, Redlands, CA, USA) was used to create maps of the proportion of PHR registrations by region and district. RESULTS: The number of registered individuals was 109,619 (66,408/109,619, 60.58% women; mean age: 44.7 years, standard deviation [SD] 18.1 years). The highest proportion of registrations was observed for those aged between 30 and 39 years (25,810/109,619, 23.55%). Furthermore, 16.88% (18,504/109,619) of registered individuals were considered users and 83.12% (91,115/109,619) nonusers. Among PHR users, 32.18% (5955/18,504) engaged in single input and 67.82% (12,549/18,504) in multiple inputs. Younger individuals and male users had higher odds of engaging in multiple inputs (odds ratio for male individuals 1.32, CI 1.19-1.48). Geographic analysis revealed higher proportions of PHR adoption in urban centers when compared with rural noncoastal districts. CONCLUSIONS: Approximately 1% of the country's population registered during the first 3 months of the Portuguese PHR. Registered individuals were more frequently female aged between 30 and 39 years. There is evidence of a geographic gap in the adoption of the Portuguese PHR, with higher proportions of adopters in urban centers than in rural noncoastal districts.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
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 tête enseignante, 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 ».