Patient-Physician Communication in the Era of Mobile Phones and Social Media Apps: Cross-Sectional Observational Study on Lebanese Physicians’ Perceptions and Attitudes
Notice bibliographique
Résumé
BACKGROUND: The increased prevalence of virtual communication technology, particularly social media, has shifted the physician-patient relationship away from the well-established face-to-face interaction. The views and habits of physicians in Lebanon toward the use of online apps and social media as forms of patient communication have not been previously described. OBJECTIVE: The aim of this study is to describe the views of Lebanese physicians toward the use of social media and other online apps as means of patient communication. METHODS: This was a cross-sectional observational study using an online survey that addressed physicians' perceptions on the use of virtual communication in their clinical practice. The study took place between April and June 2016, and was directed toward physicians at the American University of Beirut Medical Center. RESULTS: A total of 834 doctors received the online survey, with 238 physicians completing the survey. Most of the participants were from medical specialties. Most responders were attending physicians. Less than half of the respondents believed that Web-based apps and social media could be a useful tool for communicating with patients. Email was the most common form of professional online app, followed by WhatsApp (an instant messaging service). The majority of participants felt that this mode of communication can result in medicolegal issues and that it was a breach of privacy. Participants strictly against the use of virtual forms of communication made up 47.5% (113/238) of the study sample. CONCLUSIONS: The majority of physicians at the American University of Beirut Medical Center are reluctant to use virtual communication technology as a form of patient communication. Appropriate policy making and strategies can allow both physicians and patients to communicate virtually in a more secure setting without fear of breaching privacy and confidentiality.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».