eHealth Practices in Cancer Survivors With BMI in Overweight or Obese Categories: Latent Class Analysis Study
Notice bibliographique
Résumé
BACKGROUND: eHealth technologies have been found to facilitate health-promoting practices among cancer survivors with BMI in overweight or obese categories; however, little is known about their engagement with eHealth to promote weight management and facilitate patient-clinician communication. OBJECTIVE: The objective of this study was to determine whether eHealth use was associated with sociodemographic characteristics, as well as medical history and experiences (ie, patient-related factors) among cancer survivors with BMI in overweight or obese categories. METHODS: Data were analyzed from a nationally representative cross-sectional survey (National Cancer Institute's Health Information National Trends Survey). Latent class analysis was used to derive distinct classes among cancer survivors based on sociodemographic characteristics, medical attributes, and medical experiences. Logistic regression was used to examine whether class membership was associated with different eHealth practices. RESULTS: Three distinct classes of cancer survivors with BMI in overweight or obese categories emerged: younger with no comorbidities, younger with comorbidities, and older with comorbidities. Compared to the other classes, the younger with comorbidities class had the highest probability of identifying as female (73%) and Hispanic (46%) and feeling that clinicians did not address their concerns (75%). The older with comorbidities class was 6.5 times more likely than the younger with comorbidities class to share eHealth data with a clinician (odds ratio [OR] 6.53, 95% CI 1.08-39.43). In contrast, the younger with no comorbidities class had a higher likelihood of using a computer to look for health information (OR 1.93, 95% CI 1.10-3.38), using an electronic device to track progress toward a health-related goal (OR 2.02, 95% CI 1.08-3.79), and using the internet to watch health-related YouTube videos (OR 2.70, 95% CI 1.52-4.81) than the older with comorbidities class. CONCLUSIONS: Class membership was associated with different patterns of eHealth engagement, indicating the importance of tailored digital strategies for delivering effective care. Future eHealth weight loss interventions should investigate strategies to engage younger cancer survivors with comorbidities and address racial and ethnic disparities in eHealth use.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».