Patterns in Patient Access and Utilization of Online Medical Records: Analysis of MyChart
Notice bibliographique
Résumé
BACKGROUND: Electronic patient portals provide a new method for sharing personal medical information with individual patients. OBJECTIVE: Our aim was to review utilization patterns of the largest online patient portal in Canada's largest city. METHODS: We conducted a 4-year time-trend analysis of aggregated anonymous utilization data of the MyChart patient portal at Sunnybrook Health Sciences Centre in Ontario, Canada, from January 1, 2012, through December 31, 2015. Prespecified analyses examined trends related to day (weekend vs weekday), season (July vs January), year (2012 vs 2015), and an extreme adverse weather event (ice storm of December 20-26, 2013). Primary endpoints included three measures of patient portal activity: registrations, logins, and pageviews. RESULTS: We identified 32,325 patients who registered for a MyChart account during the study interval. Time-trend analysis showed no sign of attenuating registrations over time. Logins were frequent, averaged 734 total per day, and showed an increasing trend over time. Pageviews mirrored logins, averaged about 3029 total per day, and equated to about 5 pageviews during the average login. The most popular pageviews were clinical notes, followed by laboratory results and medical imaging reports. All measures of patient activity were lower on weekends compared to weekdays (P<.001) yet showed no significant changes related to seasons or extreme weather. No major security breach, malware attack, or software failure occurred during the study. CONCLUSIONS: Online patient portals can provide a popular and reliable system for distributing personal medical information to active patients and may merit consideration for hospitals.
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 | 0,019 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».