Social Media in Heart Failure: A Mixed-Methods Systematic Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Among social media (SoMe) platforms, Twitter and YouTube have gained popularity, facilitating communication between cardiovascular professionals and patients. OBJECTIVE: This mixed-methods systematic review aimed to assess the source profile and content of Twitter and YouTube posts about heart failure (HF). METHODS: We searched PubMed, Embase and Medline using the terms "cardiology," "social media," and "heart failure". We included full-text manuscripts published between January 1, 1999, and April 14, 2019. We searched Twitter and YouTube for posts using the hashtags "#heartfailure", "#HF", or "#CHF" on May 15, 2019 and July 6, 2019. We performed a descriptive analysis of the data. RESULTS: Three publications met inclusion criteria, providing 677 tweets for source profile analysis; institutions (54.8%), health professionals (26.6%), and patients (19.4%) were the most common source profiles. The publications provided 1,194 tweets for content analysis: 83.3% were on education for professionals; 33.7% were on patient empowerment; and 22.3% were on research promotion. Our search on Twitter and YouTube generated 2,252 tweets and > 400 videos, of which we analyzed 260 tweets and 260 videos. Sources included institutions (53.5% Twitter, 64.2% You- Tube), health professionals (42.3%, 28.5%), and patients (4.2%, 7.3%). Content included education for professionals (39.2% Twitter, 62.3% YouTube), patient empowerment (20.4%, 21.9%), research promotion (28.8%, 13.1%), professional advocacy (5.8%, 2.7%), and research collaboration (5.8%, 0%). CONCLUSION: Twitter and YouTube are platforms for knowledge translation in HF, with contributions from institutions, health professionals, and less commonly, from patients. Both focus largely on education for professionals and less commonly on patient empowerment. Twitter includes more research promotion, research collaboration, and professional advocacy than YouTube.
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.
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 | 0,025 | 0,062 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,016 | 0,003 |
| Bibliométrie | 0,000 | 0,002 |
| 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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 découle