Communicating Treatment-Related Symptoms Using Passively Collected Data and Satisfaction/Loyalty Ratings: Exploratory Study
Notice bibliographique
Résumé
BACKGROUND: Electronic patient-reported outcomes' real time communication of treatment-related symptoms is increasingly associated with better outcomes including longer survival and less health care resource use, but the primary method of collecting this information, static questionnaires, has not evolved. OBJECTIVE: The aim of this paper is to describe the use of Noona's three methods of communicating treatment-related symptoms, which are as follows: (1) Noona symptom questionnaires (NSQ), which incorporate branching logic; (2) a diary; and (3) secure messaging, the last two of which have NSQ reporting functionality. It also aims to explore, using multivariable analyses, whether patients find value using these features. METHODS: Noona users (N=1081) who have an active account for more than 30 days, who responded to the satisfaction/loyalty item, and who were undergoing active cancer treatment (systemic or radiotherapy) in the United States were included in this study. All study data were collected via software embedded within Noona code. This includes metadata, patient activities (measured in clicks), and responses to a satisfaction/loyalty question ("How likely are you to recommend Noona to another patient") displayed on the Noona home page. RESULTS: Noona users expressed a high degree of satisfaction/loyalty when asked to rate how likely they would recommend Noona to another patient. Multivariable analyses indicate small but significant effects for some of the analyses. Use of NSQs were significantly related to satisfaction/loyalty, users of NSQs had significantly higher satisfaction/loyalty than those who did not use any, and secure communication use was significantly higher for those who rated the app highly compared to those who did not. These relationships will likely be further explicated with the use of satisfaction/loyalty questions that focus specifically on feature use. CONCLUSIONS: Noona is well liked by respondents, and exploratory multivariable analyses demonstrate the potential for using passively and minimally invasive data to demonstrate value.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».