Personal Health Record Implementation in Rural Primary Care: A Descriptive Exploratory Study using RE-AIM Framework
Notice bibliographique
Résumé
Abstract BackgroundDemand is emerging for personal health records (PHRs), a patient-centric digital tool for engaging in shared decision-making and healthcare data management. This study uses a RE-AIM framework to explore rural patients and providers’ perceptions prior to and following implementation of a PHR. MethodsHealth care providers and their patients were recruited from early-adopter patient medical home clinics and a local patient advisory group. Focus groups were used to explore patient and provider pre-implementation perceptions of PHRs and post-implementation provider perspectives. Patients were invited through participating clinics to use the PHR. Data sources included pre-/post-intervention patient surveys and PHR/EHR administrative data. ResultsBoth patient and provider focus groups described PHRs as providing a comprehensive health story and enhanced communication. Patients prioritized collection of health promotion data while providers endorsed health-related, clinical data. Both groups expressed the need for managing expectations and setting boundaries on PHR use. The evaluation indicated Reach: 16% of targeted patients participated and an additional 127 patients used the PHR as a tool during the COVID-19 pandemic. Effectiveness: Patient satisfaction with use was neutral, with no significant changes to quality of life, self-efficacy, or patients’ activation. Adoption: 44% of eligible clinics participated, primarily those operated publicly versus privately, in smaller communities, and farther from a regional hospital. Implementation: Despite system interoperability expectations, at time of roll out, information exchange standards had not been reached. Additional implementation complications arose from the onset of the pandemic. One clinic on-boarded additional patients resulting in a rapid spike in PHR use. Maintenance: All clinics discontinued PHR within the study period, citing several key barriers to use. Conclusions RE-AIM offers a valuable process evaluation framework for a comprehensive depiction of impact, and how to drive future success. Interoperability, patient agency and control, and provider training and support are critical obstacles to overcome in PHR implementation.
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 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».