Patient Attitudes and Their Awareness Towards Skin Cancer–Related Apps: Cross-Sectional Survey
Notice bibliographique
Résumé
BACKGROUND: In the emerging era of digitalization and electronic health, skin cancer-related apps represent useful tools to support dermatologic consultation and examination. Yet, little is known about how patients perceive the value of such apps. OBJECTIVE: The aim of this study was to investigate patient attitudes and their awareness toward skin cancer-related apps. METHODS: A cross-sectional study including 200 patients from the oncological outpatient unit was conducted at the University Hospital (LMU Munich, Germany) between September and December 2018. Patients were asked to complete a self-administered questionnaire on the popularity and usefulness of health-related and skin cancer-related apps. A descriptive analysis was performed with the expression of categorical variables as frequencies and percentages. For continuous variables, the median and range were indicated. Contingency tables and chi-square tests were performed to investigate associations between sociodemographic data and selected items of the questionnaire. RESULTS: A total of 98.9% (195/197) of patients had never used skin cancer-related apps or could not remember. In 49.7% (93/187) of cases, patients were unsure about the usefulness of skin cancer apps, whereas 42.6% (78/183) thought that skin cancer apps could supplement or support the professional skin examination performed by a physician. However, 47.9% (90/188) were interested in acquiring more information by their dermatologists about skin cancer apps. Young age (P=.002), male gender (P=.02), a previous history of melanoma (P=.004), and higher educational level (P=.002) were significantly associated with a positive attitude. Nevertheless, 55.9% (105/188) preferred a printed patient brochure on skin cancer to downloading and using an app. CONCLUSIONS: The experience and knowledge of skin cancer-related apps was surprisingly low in this population, although there was a high general interest in more information about such apps. Printed patient brochures were the preferred information source.
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 | 0,001 | 0,003 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».