A Patient Journey Map to Improve the Home Isolation Experience of Persons With Mild COVID-19: Design Research for Service Touchpoints of Artificial Intelligence in eHealth
Notice bibliographique
Résumé
BACKGROUND: In the context of the COVID-19 outbreak, 80% of the persons who are infected have mild symptoms and are required to self-recover at home. They have a strong demand for remote health care that, despite the great potential of artificial intelligence (AI), is not met by the current services of eHealth. Understanding the real needs of these persons is lacking. OBJECTIVE: The aim of this paper is to contribute a fine-grained understanding of the home isolation experience of persons with mild COVID-19 symptoms to enhance AI in eHealth services. METHODS: A design research method with a qualitative approach was used to map the patient journey. Data on the home isolation experiences of persons with mild COVID-19 symptoms was collected from the top-viewed personal video stories on YouTube and their comment threads. For the analysis, this data was transcribed, coded, and mapped into the patient journey map. RESULTS: The key findings on the home isolation experience of persons with mild COVID-19 symptoms concerned (1) an awareness period before testing positive, (2) less typical and more personal symptoms, (3) a negative mood experience curve, (5) inadequate home health care service support for patients, and (6) benefits and drawbacks of social media support. CONCLUSIONS: The design of the patient journey map and underlying insights on the home isolation experience of persons with mild COVID-19 symptoms serves health and information technology professionals in more effectively applying AI technology into eHealth services, for which three main service concepts are proposed: (1) trustworthy public health information to relieve stress, (2) personal COVID-19 health monitoring, and (3) community support.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| 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 ».