Use of Health Information Technology by Adults With Diabetes in the United States: Cross-sectional Analysis of National Health Interview Survey Data (2016-2018)
Notice bibliographique
Résumé
BACKGROUND: The use of health information technology (HIT) has been proposed to improve disease management in patients with type 2 diabetes mellitus. OBJECTIVE: This study aims to report the prevalence of HIT use in adults with diabetes in the United States and examine the factors associated with HIT use. METHODS: We analyzed data from 7999 adults who self-reported a diabetes diagnosis as collected by the National Health Interview Survey (2016-2018). All analyses were weighted to account for the complex survey design. RESULTS: Overall, 41.2% of adults with diabetes reported looking up health information on the web, and 22.8% used eHealth services (defined as filled a prescription on the web, scheduled an appointment with a health care provider on the web, or communicated with a health care provider via email). In multivariable models, patients who were female (vs male: prevalence ratio [PR] 1.16, 95% CI 1.10-1.24), had higher education (above college vs less than high school: PR 3.61, 95% CI 3.01-4.33), had higher income (high income vs poor: PR 1.40, 95% CI 1.23-1.59), or had obesity (vs normal weight: PR 1.11, 95% CI 1.01-1.22) were more likely to search for health information on the web. Similar associations were observed among age, race and ethnicity, education, income, and the use of eHealth services. Patients on insulin were more likely to use eHealth services (on insulin vs no medication: PR 1.21, 95% CI 1.04-1.41). CONCLUSIONS: Among adults with diabetes, HIT use was lower in those who were older, were members of racial minority groups, had less formal education, or had lower household income. Health education interventions promoted through HIT should account for sociodemographic factors.
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 | 0,011 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».