Patient perspectives on tablet-based technology to collect risk factor information in primary care
Notice bibliographique
Résumé
BACKGROUND: Primary care provides an opportunity to introduce prevention strategies and identify risk behaviours. Algorithmic information technology such as the Risk Factor Identification Tool (RFIT) can support primary care counseling. This study explores the integration of the tablet-based RFIT in primary care clinics to support exploration of patient risk factor information. METHODS: Qualitative study to explore patients' perspectives of RFIT. RFIT was implemented in two primary care clinics in Manitoba, Canada. There were 207 patients who completed RFIT, offered to them by eight family physicians. We conducted one-on-one patient interviews with 86 patients to capture the patient's perspective. Responses were coded and categorized into five common themes. RESULTS: RFIT had a completion rate of 86%. Clinic staff reported that very few patients declined the use of RFIT or required assistance to use the tablet. Patients reported that the tablet-based RFIT provided a user-friendly interface that enabled self-reflection while in the waiting room. Patients discussed the impact of RFIT on the patient-provider interaction, utility for the clinician, their concerns and suggested improvements for RFIT. Among the patients who used RFIT 12.1% smoked, 21.2% felt their diet could be improved, 9.3% reported high alcohol consumption, 56.4% reported less than 150 min of PA a week, and 8.2% lived in poverty. CONCLUSION: RFIT is a user-friendly tool for the collection of patient risk behaviour information. RFIT is particularly useful for patients lacking continuity in the care they receive. Information technology can promote self-reflection while providing useful information to the primary care clinician. When combined with practical tools and resources RFIT can assist in the reduction of risk behaviours.
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 | 0,002 |
| 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 | 0,001 |
| 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 | 0,001 |
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 ».