Health Care Provider Perceptions of Consumer-Grade Devices and Apps for Tracking Health: A Pilot Study
Notice bibliographique
Résumé
BACKGROUND: The use of Web- or mobile phone-based apps for tracking health indicators has increased greatly. However, provider perceptions of consumer-grade devices have not been widely explored. OBJECTIVE: The purpose of this study was to determine primary care physicians' and advanced practice registered nurses' perceptions of consumer-grade sensor devices and Web- or mobile phone-based apps that allow patients to track physical activity, diet, and sleep. METHODS: We conducted a cross-sectional mailed survey with a random sample of 300 primary care physicians and 300 advanced practice registered nurses from Michigan, USA. Providers' use and recommendation of these types of technologies, and their perceptions of the benefits of and barriers to patients' use of the technologies for physical activity, diet, and sleep tracking were key outcomes assessed. RESULTS: Most of the respondents (189/562, 33.6% response rate) were advanced practice registered nurses (107/189, 56.6%). Almost half of the sample (93/189, 49.2%) owned or used behavioral tracking technologies. Providers found these technologies to be helpful in clinical encounters, trusted the data, perceived their patients to be interested in them, and did not have concerns over the privacy of the data. However, the providers did perceive patient barriers to using these technologies. Additionally, those who owned or used these technologies were up to 6.5 times more likely to recommend them to their patients. CONCLUSIONS: Our study demonstrated that many providers perceived benefits for their patients to use these technologies, including improved communication. Providers' concerns included their patients' access and the usability of these technologies. Providers who encountered data from these technologies during patient visits generally perceive this to be helpful. We additionally discuss the barriers perceived by the providers and offer suggestions and future research to realize the potential benefits to using these data in clinical encounters.
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 | 0,006 | 0,013 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».