WhatsApp guidelines – what guidelines? A literature review
Notice bibliographique
Résumé
INTRODUCTION: Instant messaging (IM) is pervasive in modern society, including healthcare. WhatsApp, the most cited IM application in healthcare, is used to share sensitive patient information between clinicians. Its use raises legal, regulatory and ethical concerns. Are there guidelines for the clinical use of WhatsApp? Can generic guidelines be developed for the use of IM, for one-to-one and one-to-many healthcare professional communication using WhatsApp as an example? AIM: We aimed to investigate if there are guidelines for using WhatsApp in clinical practice. METHOD: Nine electronic databases were searched in January 2019 for articles on WhatsApp in clinical service. Inclusion criteria: paper was in English, reported on WhatsApp use or potential use in clinical practice, addressed legal, regulatory or ethical issues and presented some form of guideline or guidance for WhatsApp use. RESULTS: In total, 590 unique articles were found and 167 titles and abstracts met the inclusion criteria. Twenty-one articles identified the need for general guidelines. Twelve articles provided some form of guidance for using WhatsApp. Issues addressed were confidentiality, identification and privacy (eight articles), security (seven), record keeping (four) and storage (three). Mandatory national guidelines for the use of IM for patient-sensitive information do not appear to exist, only advisories that counsel against its use. CONCLUSION: The literature showed clinicians use IM because of its simplicity, timeliness and cost effectiveness. No suitable guidelines exist. Generic guidelines are required for the use of IM for healthcare delivery which can be adapted to local circumstance and messaging service used.
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 | 0,004 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».