MétaCan
Menu
Retour à la cohorte
Enregistrement W3103937843 · doi:10.2196/22061

Implementation of an Interactive Voice Response System for Cancer Awareness in Uganda: Mixed Methods Study

2020· article· en· W3103937843 sur OpenAlexvenueno aff
Johnblack K Kabukye, Onaedo Ilozumba, Jacqueline E. W. Broerse, Nicolette F. de Keizer, Ronald Cornet

Notice bibliographique

RevueJMIR mhealth and uhealth · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueGlobal Cancer Incidence and Screening
Établissements canadiensnon disponible
Organismes subventionnairesUganda Cancer Institute
Mots-clésInteractive voice responseComputer scienceCancerMultimediaPsychologyMedicineHuman–computer interactionTelecommunications

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Cancer awareness is crucial for cancer care and prevention. However, cancer awareness in Uganda is low, and access to cancer information is limited. OBJECTIVE: This study aims to (1) understand the cancer awareness situation in Uganda (perceptions, beliefs, information needs, and challenges to accessing cancer information) and opinions about interactive voice response (IVR) systems; (2) develop cancer awareness messages and implement them in an IVR system; and (3) evaluate user acceptance and use of the IVR system. METHODS: A participatory design approach was adopted. To understand cancer awareness needs and challenges, 3 interviews and 7 focus group discussions (FGDs) were conducted with cancer health care providers, patients with cancer, caregivers and survivors, administrators, and lay citizens (n=73). On the basis of the resulting qualitative data, audio messages addressing cancer information needs were developed and implemented in an IVR system. The system and messages were tested with users (n=12) during 2 co-design workshops before final rollout. Finally, the system was evaluated over 6 months after going live, using call records and user feedback from telephone interviews with callers (n=40). RESULTS: The cancer information needs included general topics such as what cancer is, what causes it, cancer screening and diagnosis, cancer treatment, and practical information on what to expect during cancer care. There were also myths and misconceptions that need to be addressed, such as that cancer is due to witchcraft and has no treatment. Information on COVID-19 was also sought after following the outbreak. We developed 20 audio cancer messages (approximately 2 minutes each) in English and Luganda, along with 14 IVR navigation instructions. These were implemented in an IVR system with 24/7 availability from all over Uganda via a toll-free multi-channel telephone number. The total number of calls made to the IVR system 6 months after going live was 3820. Of these, 2437 (63.8%) lasted at least 30 seconds and were made from 1230 unique telephone numbers. There were 191 voice messages and 760 calls to live agents, most of which (681/951, 71.6%) were in Luganda. Call volumes peaked following advertisement of the system and lockdowns due to COVID-19. Participants were generally familiar with IVR technology, and caller feedback was largely positive. Cited benefits included convenience, toll-free access, and detailed information. Recommendations for improvement of the system included adding live agents and marketing of the system to target users. CONCLUSIONS: IVR technology provides an acceptable and accessible method for providing cancer information to patients and the general public in Uganda. However, a need remains for health system reforms to provide additional cancer information sources and improve cancer care services in general.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,292
Score d'incertitude au seuil0,997

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,213
Tête enseignante GPT0,576
Écart entre enseignants0,362 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations20
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealthMême sujetGlobal Cancer Incidence and ScreeningTravaux en français237 207