Patient Judgments About Hypertension Control: The Role of Variability, Trends, and Outliers in Visualized Blood Pressure Data (Preprint)
Notice bibliographique
Résumé
BACKGROUND Uncontrolled hypertension is a significant health problem in the United States, even though multiple drugs exist to effectively treat this chronic disease. OBJECTIVE As part of a larger project developing data visualizations to support shared decision making about hypertension treatment, we conducted a series of studies to understand how perceptions of hypertension control were impacted by data variations inherent in the visualization of blood pressure (BP) data. METHODS In 3 Web studies, participants (internet sample of patients with hypertension) reviewed a series of vignettes depicting patients with hypertension; each vignette included a graph of a patient’s BP. We examined how data visualizations that varied by BP mean and SD (Study 1), the pattern of change over time (Study 2), and the presence of extreme values (Study 3) affected patients’ judgments about hypertension control and the need for a medication change. RESULTS Participants’ judgments about hypertension control were significantly influenced by BP mean and SD (Study 1), data trends (whether BP was increasing or decreasing over time—Study 2), and extreme values (ie, outliers—Study 3). CONCLUSIONS Patients’ judgment about hypertension control is influenced both by factors that are important predictors of hypertension related-health outcomes (eg, BP mean) and factors that are not (eg, variability and outliers). This study highlights the importance of developing data visualizations that direct attention toward clinically meaningful information.
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 | 0,012 | 0,114 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».