Patient judgments about hypertension control: the role of patient numeracy and graph literacy
Notice bibliographique
Résumé
OBJECTIVE: To assess the impact of patient health literacy, numeracy, and graph literacy on perceptions of hypertension control using different forms of data visualization. MATERIALS AND METHODS: Participants (Internet sample of 1079 patients with hypertension) reviewed 12 brief vignettes describing a fictitious patient; each vignette included a graph of the patient's blood pressure (BP) data. We examined how variations in mean systolic blood pressure, BP standard deviation, and form of visualization (eg, data table, graph with raw values or smoothed values only) affected judgments about hypertension control and need for medication change. We also measured patient's health literacy, subjective and objective numeracy, and graph literacy. RESULTS: Judgments about hypertension data presented as a smoothed graph were significantly more positive (ie, hypertension deemed to be better controlled) then judgments about the same data presented as either a data table or an unsmoothed graph. Hypertension data viewed in tabular form was perceived more positively than graphs of the raw data. Data visualization had the greatest impact on participants with high graph literacy. DISCUSSION: Data visualization can direct patients to attend to more clinically meaningful information, thereby improving their judgments of hypertension control. However, patients with lower graph literacy may still have difficulty accessing important information from data visualizations. CONCLUSION: Addressing uncertainty inherent in the variability between BP measurements is an important consideration in visualization design. Well-designed data visualization could help to alleviate clinical uncertainty, one of the key drivers of clinical inertia and uncontrolled hypertension.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».