Use of Enhanced Data Visualization to Improve Patient Judgments about Hypertension Control
Notice bibliographique
Résumé
Objective. Uncontrolled hypertension is driven by clinical uncertainty around blood pressure data. This research sought to determine whether decision support—in the form of enhanced data visualization—could improve judgments about hypertension control. Methods. Participants (Internet sample of patients with hypertension) in 3 studies ( N = 209) viewed graphs depicting blood pressure data for fictitious patients. For each graph, participants rated hypertension control, need for medication change, and perceived risk of heart attack and stroke. In study 3, participants also recalled the percentage of blood pressure measurements outside of the goal range. The graphs varied by systolic blood pressure mean and standard deviation, change in blood pressure values over time, and data visualization type. Results. In all 3 studies, data visualization type significantly affected judgments of hypertension control. In studies 1 and 2, perceived hypertension control was lower while perceived need for medication change and subjective perceptions of stroke and heart attack risk were higher for raw data displays compared with enhanced visualization that employed a smoothing function generated by the locally weighted smoothing algorithm. In general, perceptions of hypertension control were more closely aligned with clinical guidelines when data visualization included a smoothing function. However, conclusions were mixed when comparing tabular presentations of data to graphical presentations of data in study 3. Hypertension was perceived to be less well controlled when data were presented in a graph rather than a table, but recall was more accurate. Conclusion. Enhancing data visualization with the use of a smoothing function to minimize the variability present in raw blood pressure data significantly improved judgments about hypertension control. More research is needed to determine the contexts in which graphs are superior to data tables.
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 | 0,007 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».