DIGItal Health Literacy after COVID-19 Outbreak among Frail and Non-Frail Cardiology Patients: The DIGI-COVID Study
Notice bibliographique
Résumé
BACKGROUND: Telemedicine requires either the use of digital tools or a minimum technological knowledge of the patients. Digital health literacy may influence the use of telemedicine in most patients, particularly those with frailty. We aimed to explore the association between frailty, the use of digital tools, and patients' digital health literacy. METHODS: We prospectively enrolled patients referred to arrhythmia outpatient clinics of our cardiology department from March to September 2022. Patients were divided according to frailty status as defined by the Edmonton Frail Scale (EFS) into robust, pre-frail, and frail. The degree of digital health literacy was assessed through the Digital Health Literacy Instrument (DHLI), which explores seven digital skill categories measured by 21 self-report questions. RESULTS: A total of 300 patients were enrolled (36.3% females, median age 75 (66-84)) and stratified according to frailty status as robust (EFS ≤ 5; 70.7%), pre-frail (EFS 6-7; 15.7%), and frail (EFS ≥ 8; 13.7%). Frail and pre-frail patients used digital tools less frequently and accessed the Internet less frequently compared to robust patients. In the logistic regression analysis, frail patients were significantly associated with the non-use of the Internet (adjusted odds ratio 2.58, 95% CI 1.92-5.61) compared to robust and pre-frail patients. Digital health literacy decreased as the level of frailty increased in all the digital domains examined. CONCLUSIONS: Frail patients are characterized by lower use of digital tools compared to robust patients, even though these patients would benefit the most from telemedicine. Digital skills were strongly influenced by frailty.
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 | 0,008 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».