Prevalence and Age-Related Patterns in Health Information–Seeking Behaviors and Technology Use Among Skin Cancer Survivors: Survey Study
Notice bibliographique
Résumé
Background Information is an unmet need among cancer survivors. There is a paucity of population-based data examining the health information–seeking behaviors and attitudes of skin cancer survivors. Objective We aimed to identify the prevalence and patterns of health information–seeking behaviors and attitudes among skin cancer survivors across age groups. Methods We analyzed population-based data from the 2019 Health Information National Trends Survey 5 (Cycle 3). Results The 5438 respondents included 346 (6.4%) skin cancer survivors (mean age 65.8 years); of the 346 skin cancer survivors, the majority were White (96.4% [weighted percentages]), and 171 (47.8%) were men. Most reported having ever looked for health- (86.1%) or cancer-related (76.5%) information; 28.2% stated their last search took a lot of effort, and 21.6% were frustrated. The internet was most often cited as being the first source that was recently used for health or medical information (45.6%). Compared to skin cancer survivors younger than 65 years old, those 65 years of age or older were more likely to see a doctor first for important health information (≥65 years: 68.3%;<65 years: 36.2%; P<.001) and less likely to have health and wellness apps (≥65 years: 26.4%; <65 years: 54.0%, P=.10), to have watched a health-related YouTube video (≥65 years: 13.3%; <65 years: 27.4%; P=.02), and to have used electronic means to look for information (≥65 years: 61.4%;<65 years: 82.3%, P<.001) Conclusions Searches for health information are common among skin cancer survivors, but behaviors and attitudes are associated with age, which highlights the importance of access to doctors and personalized information sources.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».