The Role of Computer Skills in Personal Health Record Adoption Among Patients With Heart Disease: Multidimensional Evaluation of Users Versus Nonusers
Notice bibliographique
Résumé
BACKGROUND: In the era of precision medicine, it is critical for health communication efforts to prioritize personal health record (PHR) adoption. OBJECTIVE: The objective of this study was to describe the characteristics of patients with heart disease that choose to adopt a PHR. METHODS: A total of 79 patients with chronic cardiovascular disease participated in this study: 48 PHR users and 31 nonusers. They completed 5 surveys related to their choice to use or not use the PHR: demographics, patient activation, medication adherence, health literacy, and computer self-efficacy (CSE). RESULTS: There was a significant difference between users and nonusers in the sociodemographic measure education (P=.04). There was no significant difference between users and nonusers in other sociodemographic measures: age (P=.20), sex (P=.35), ethnicity (P=.43), race (P=.42), and employment (P=.63). There was a significant difference between PHR users and PHR nonusers in CSE (P=.006). CONCLUSIONS: In this study, we demonstrate that sociodemographic characteristics were not an important factor in patients' use of their PHR, except for education. This study had a small sample size and may not have been large enough to detect differences between groups. Our results did demonstrate that there is a difference between PHR users and nonusers related to their CSE. This work suggests that incorporating CSE into the design of PHRs is critical. The design of patient-facing tools must take into account patients' preferences and abilities when developing effective user-friendly health information technologies.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 ».