Uptake and adoption of the NHS App in England: an observational study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background Technological advances have led to the use of patient portals that give people digital access to their personal health information. The NHS App was launched in January 2019 as a ‘front door’ to digitally enabled health services. Aim To evaluate patterns of uptake of the NHS App, subgroup differences in registration, and the impact of COVID-19. Design and setting An observational study using monthly NHS App user data at general-practice level in England was conducted. Method Descriptive statistics and time-series analysis explored monthly NHS App use from January 2019–May 2021. Interrupted time-series models were used to identify changes in the level and trend of use of different functionalities, before and after the first COVID-19 lockdown. Negative binomial regression assessed differences in app registration by markers of general-practice level sociodemographic variables. Result Between January 2019 and May 2021, there were 8 524 882 NHS App downloads and 4 449 869 registrations, with a 4-fold increase in App downloads when the COVID Pass feature was introduced. Analyses by sociodemographic data found 25% lower registrations in the most deprived practices ( P <0.001), and 44% more registrations in the largest sized practices ( P <0.001). Registration rates were 36% higher in practices with the highest proportion of registered White patients ( P <0.001), 23% higher in practices with the largest proportion of 15–34-year-olds ( P <0.001) and 2% lower in practices with highest proportion of people with long-term care needs ( P <0.001). Conclusion The uptake of the NHS App substantially increased post-lockdown, most significantly after the NHS COVID Pass feature was introduced. An unequal pattern of app registration was identified, and the use of different functions varied. Further research is needed to understand these patterns of inequalities and their impact on patient experience.
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.
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 | 0,004 | 0,002 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 découle