Factors Determining Patients’ Choice Between Mobile Health and Telemedicine: Predictive Analytics Assessment
Notice bibliographique
Résumé
BACKGROUND: The solution to the growing problem of rural residents lacking health care access may be found in the use of telemedicine and mobile health (mHealth). Using mHealth or telemedicine allows patients from rural or remote areas to have better access to health care. OBJECTIVE: The objective of this study was to understand factors influencing the choice of communication medium for receiving care, through the analysis of mHealth versus telemedicine encounters with a virtual urgent clinic. METHODS: We conducted a postdeployment evaluation of a new virtual health care service, Virtual Urgent Clinic, which uses mHealth and telemedicine modalities to provide patient care. We used a multinomial logistic model to test the significance and predictive power of a set of features in determining patients' preferred method of telecare encounters-a nominal outcome variable of two levels (mHealth and telemedicine). RESULTS: Postdeployment, 1403 encounters were recorded, of which 1228 (87.53%) were completed with mHealth and 175 (12.47%) were telemedicine encounters. Patients' sex (P=.004) and setting (P<.001) were the most predictive determinants of their preferred method of telecare delivery, with significantly small P values of less than .01. Pearson chi-square test returned a strong indication of dependency between chief concern and encounter mediums, with an extremely small P<.001. Of the 169 mHealth patients who responded to the survey, 154 (91.1%) were satisfied by their encounter, compared with 31 of 35 (89%) telemedicine patients. CONCLUSIONS: We studied factors influencing patients' choice of communication medium, either mHealth or telemedicine, for a virtual care clinic. Sex and geographic location, as well as their chief concern, were strong predictors of patients' choice of communication medium for their urgent care needs. This study suggests providing the option of mHealth or telemedicine to patients, and suggesting which medium would be a better fit for the patient based on their characteristics.
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 | 0,004 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».