Behavioral Health Professionals’ Perceptions on Patient-Controlled Granular Information Sharing (Part 2): Focus Group Study
Notice bibliographique
Résumé
BACKGROUND: Patient-directed selection and sharing of health information "granules" is known as granular information sharing. In a previous study, patients with behavioral health conditions categorized their own health information into sensitive categories (eg, mental health) and chose the health professionals (eg, pharmacists) who should have access to those records. Little is known about behavioral health professionals' perspectives of patient-controlled granular information sharing (PC-GIS). OBJECTIVE: This study aimed to assess behavioral health professionals' (1) understanding of and opinions about PC-GIS; (2) accuracy in assessing redacted medical information; (3) reactions to patient rationale for health data categorization, assignment of sensitivity, and sharing choices; and (4) recommendations to improve PC-GIS. METHODS: Four 2-hour focus groups and pre- and postsurveys were conducted at 2 facilities. During the focus groups, outcomes from a previous study on patients' choices for medical record sharing were discussed. Thematic analysis was applied to focus group transcripts to address study objectives. RESULTS: A total of 28 health professionals were recruited. Over half (14/25, 56%) were unaware or provided incorrect definitions of granular information sharing. After PC-GIS was explained, all professionals demonstrated understanding of the terminology and process. Most (26/32 codes, 81%) recognized that key medical data had been redacted from the study case. A majority (41/62 codes, 66%) found the patient rationale for categorization and data sharing choices to be unclear. Finally, education and other approaches to inform and engage patients in granular information sharing were recommended. CONCLUSIONS: This study provides detailed insights from behavioral health professionals on granular information sharing. Outcomes will inform the development, deployment, and evaluation of an electronic consent tool for granular health data sharing.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,033 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,004 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».