Has the pandemic enhanced and sustained digital health-seeking behaviour? A big data interrupted time-series analysis of Google Trends
Notice bibliographique
Résumé
Abstract Background Due to the emergency responses early in the pandemic, the use of digital health in healthcare increased abruptly, yet it remains unclear whether this introduction was sustainable on the long term. We explore trends in digital health-seeking behaviour as proxy for readiness to adopt digital health as a mainstream form of healthcare. Methods We use weekly Google Trends data from February 2019 to August 2021 in Canada, United States, United Kingdom, New Zealand, Australia, and Ireland. We used five keywords to monitor online search interests in Google Trends: online doctor, telehealth, online health, telemedicine , and health app . Data are analysed using an interrupted time-series analysis with break-points on 11 March 2020 and 20 December 2020. Results Digital health searches immediately increased in all countries after the pandemic announcement. There was some variance in what keywords were used per country. However, searches declined after this immediate spike, sometimes towards pre-pandemic levels. The exception is the search volume of health app , which showed to either remain stable or gradually increase during the pandemic. Interpretation Our findings suggest that digital health-seeking behavioural patterns associated with the pandemic are currently not sustainable. Further building of digital health capacity and development of robust digital governance and literacy frameworks remain crucial to more structurally facilitate digital health transformation across countries. Funding Not applicable.
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 | 0,001 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,004 |
| 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 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 ».