From Testers to Cocreators—the Value of and Approaches to Successful Patient Engagement in the Development of eHealth Solutions: Qualitative Expert Interview Study
Notice bibliographique
Résumé
BACKGROUND: Research has shown that patient engagement is most commonly done at the beginning of research or to test readily available prototypes and less commonly done in other phases such as the execution phases. Previous studies have reported that patients are usually assigned a consultative rather than a decision-making role in health service planning and evaluation. OBJECTIVE: This study had 2 objectives: to better understand the challenges and opportunities in the inclusion of patients in the development of eHealth technologies and ideas on how to overcome the identified gaps and to create a research-based end-to-end practical blueprint that can guide the relevant stakeholders to successfully engage patients as cocreators in all human-centered design phases rather than mere testers of preplanned prototypes. METHODS: Key informant interviews were conducted using in-depth semistructured interviews with 20 participants from 6 countries across Europe. This was followed by a focus group to validate the initial findings. Participants encompassed all the relevant stakeholder groups including patient experts, eHealth experts, health technology providers, clinicians, pharma executives, and health insurance experts. RESULTS: This study shows that engaging patients in eHealth development can help provide different types of value; namely, identifying unmet needs, better usability and desirability, better fit into the patient journey, better adoption and stickiness, better health outcomes, advocacy and trust, a sense of purpose, and better health equity and access. However, the participants agreed that patients are usually engaged too late in the development process, mostly assuming a sounding role in testing a ready-made prototype. The justification for these gaps in engagement is driven by some prominent barriers, notably compliance risks, patient-related factors, power dynamics, patient engagement as lip service, poor value perception, lack of resources, mistrust, and inflexibility. On the positive side, the participants also reflected on facilitators for better patient engagement; for instance, engaging through engagement partners, novel approaches such as the rise of professional patient experts, embedding patients in development teams, expectation management, and professional moderation services. CONCLUSIONS: Overcoming the current gaps in patient engagement in eHealth development requires consolidated efforts from all stakeholders in a complex health care ecosystem. The shift toward more patient-driven eHealth development requires education and awareness; frameworks to monitor and evaluate the value of patient engagement; regulatory clarity and simplification; platforms to facilitate patient access and identification; patient incentivization, transparency, and trust; and a mindset shift toward value-based health care.
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 | 0,067 | 0,082 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,010 | 0,014 |
| Communication savante | 0,007 | 0,007 |
| Science ouverte | 0,003 | 0,011 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».