Digital Health Interventions to Enhance Prevention in Primary Care: Scoping Review
Notice bibliographique
Résumé
BACKGROUND: Disease prevention is a central aspect of primary care practice and is comprised of primary (eg, vaccinations), secondary (eg, screenings), tertiary (eg, chronic condition monitoring), and quaternary (eg, prevention of overmedicalization) levels. Despite rapid digital transformation of primary care practices, digital health interventions (DHIs) in preventive care have yet to be systematically evaluated. OBJECTIVE: This review aimed to identify and describe the scope and use of current DHIs for preventive care in primary care settings. METHODS: A scoping review to identify literature published from 2014 to 2020 was conducted across multiple databases using keywords and Medical Subject Headings terms covering primary care professionals, prevention and care management, and digital health. A subgroup analysis identified relevant studies conducted in US primary care settings, excluding DHIs that use the electronic health record (EHR) as a retrospective data capture tool. Technology descriptions, outcomes (eg, health care performance and implementation science), and study quality as per Oxford levels of evidence were abstracted. RESULTS: The search yielded 5274 citations, of which 1060 full-text articles were identified. Following a subgroup analysis, 241 articles met the inclusion criteria. Studies primarily examined DHIs among health information technologies, including EHRs (166/241, 68.9%), clinical decision support (88/241, 36.5%), telehealth (88/241, 36.5%), and multiple technologies (154/241, 63.9%). DHIs were predominantly used for tertiary prevention (131/241, 54.4%). Of the core primary care functions, comprehensiveness was addressed most frequently (213/241, 88.4%). DHI users were providers (205/241, 85.1%), patients (111/241, 46.1%), or multiple types (89/241, 36.9%). Reported outcomes were primarily clinical (179/241, 70.1%), and statistically significant improvements were common (192/241, 79.7%). Results were summarized across the following 5 topics for the most novel/distinct DHIs: population-centered, patient-centered, care access expansion, panel-centered (dashboarding), and application-driven DHIs. The quality of the included studies was moderate to low. CONCLUSIONS: Preventive DHIs in primary care settings demonstrated meaningful improvements in both clinical and nonclinical outcomes, and across user types; however, adoption and implementation in the US were limited primarily to EHR platforms, and users were mainly clinicians receiving alerts regarding care management for their patients. Evaluations of negative results, effects on health disparities, and many other gaps remain to be explored.
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 | 0,017 | 0,079 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,020 | 0,018 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 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 ».