Digital Access in Working-Age and Older Adults and Their Caregivers Attending Psychiatry Outpatient Clinics: Quantitative Survey
Notice bibliographique
Résumé
BACKGROUND: It has been suggested that improving access to mental health services, supporting self-management, and increasing clinical productivity can be achieved through the delivery of technology-enabled care by personal mobile-based and internet-based services. There is little evidence available about whether working-age and older adults with mental health problems or their caregivers have access to these technologies or their confidence with these technologies. OBJECTIVE: This study aimed to ascertain the prevalence and range of devices used to access the internet in patients and caregivers attending general and older adult psychiatry outpatient services and their confidence in using these technologies. METHODS: We conducted an anonymous survey of 77 patients and caregivers from a general psychiatry and old age psychiatry clinic to determine rates of internet access and device ownership, and attitudes to technology-enabled care. RESULTS: We found high levels of internet access and confidence in using the internet in working-age adults, their caregivers, and older adult caregivers but not in older adult patients. The smartphone usage predominated in working-age adults and their caregivers. Older adult caregivers were more likely to use desktop or laptop computers. In our sample, tablets were the least popular form factor. CONCLUSIONS: Access rates and uptake of internet-based services have the potential to be high in working-age adults and their caregivers but are likely to be markedly lower among older adult patients attending psychiatry clinics. Applications designed for tablets are likely to have low uptake. All groups identified appointment reminders as likely to be beneficial.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».