Use of Google Analytics to Explore Dissemination Activities for an Online CKD Clinical Pathway: A Retrospective Study
Notice bibliographique
Résumé
Background: Data on dissemination strategies that generate awareness of clinical pathways for kidney care are limited. Objective: This study reports the application of Google Analytics to describe the reach and use of the Chronic Kidney Disease Pathway (CKD-P) using a multi-faceted dissemination strategy. Design: The design of this study is a retrospective descriptive study. Setting: This study was conducted in Alberta, Canada. Patients: Individuals who accessed the CKD-P Web site between November 5, 2014, and May 31, 2019. Measurements: Dissemination activities included print, electronic, in-person meetings, and a laboratory prompt. We used Google Analytics over a 5-year period to evaluate the following CKD-P Web site user metrics: number of sessions, pageviews, visit duration, user path, and bounce rate (when an individual visits a single page of the Web site and leaves the Web site without interacting with additional pages). Methods: We plotted dissemination activities alongside Web site metrics using control charts and described the data using means and percentages. We performed chi-square test for trends to evaluate year-over-year usage. Results: There were 83 294 users, 90 805 sessions, and 231 684 pageviews. The overall bounce rate was 45.7%. Each user had an average of 1.5 sessions and a session duration of 2 minutes and 8 seconds. There was a significant positive trend for total annual users ( P = .008), new users ( P = .009), number of sessions ( P = .006), and pageviews per day ( P = .016). Limitations: We were unable to confirm if users were primary care providers and if word-of-mouth dissemination among providers/researchers drove people to use the CKD-P. Conclusions: Google Analytics was a useful and accessible tool for evaluating CKD-P reach and use trends. It was challenging to identify how individual dissemination activities contributed to CKD-P reach; however, repeated dissemination appeared to play a role in increasing CKD-P use. Trial registration: Not applicable—observational study design.
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 | 0,003 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».