MétaCan
Menu
Retour à la cohorte
Enregistrement W4391683697 · doi:10.2196/49491

Care Partner Engagement in Secure Messaging Between Patients With Diabetes and Their Clinicians: Cohort Study

2024· article· en· W4391683697 sur OpenAlexvenueno aff
Wagahta Semere, Andrew J. Karter, Courtney R. Lyles, Mary E. Reed, Leah Karliner, Celia P. Kaplan, Jennifer Y. Liu, Jennifer Livaudais‐Toman, Dean Schillinger

Notice bibliographique

RevueJMIR Diabetes · 2024
Typearticle
Langueen
DomaineHealth Professions
ThématiqueElectronic Health Records Systems
Établissements canadiensnon disponible
Organismes subventionnairesNational Center for Chronic Disease Prevention and Health PromotionNational Institute of Diabetes and Digestive and Kidney DiseasesAgency for Healthcare Research and QualityCenters for Disease Control and PreventionU.S. National Library of MedicineNational Institute on AgingAmerican Diabetes Association
Mots-clésPatient portalGlycemicProxy (statistics)MedicineCohortFamily medicineHealth carePatient satisfactionDiabetes mellitusNursingInternal medicineComputer science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Patient engagement with secure messaging (SM) via digital patient portals has been associated with improved diabetes outcomes, including increased patient satisfaction and better glycemic control. Yet, disparities in SM uptake exist among older patients and racial and ethnic underserved groups. Care partners (family members or friends) may provide a means for mitigating these disparities; however, it remains unclear whether and to what extent care partners might enhance SM use. OBJECTIVE: We aim to examine whether SM use differs among older patients with diabetes based on the involvement of care partner proxies. METHODS: This is a substudy of the ECLIPPSE (Employing Computational Linguistics to Improve Patient-Provider Secure Emails) project, a cohort study taking place in a large, fully integrated health care delivery system with an established digital patient portal serving over 4 million patients. Participants included patients with type 2 diabetes aged ≥50 years, newly registered on the patient portal, who sent ≥1 English-language message to their clinician between July 1, 2006, and December 31, 2015. Proxy SM was identified by having a registered proxy. To identify nonregistered proxies, a computational linguistics algorithm was applied to detect words and phrases more likely to appear in proxy messages compared to patient-authored messages. The primary outcome was the annual volume of secure messages (sent or received); secondary outcomes were the length of time to the first SM sent by patient or proxy and the number of annual SM exchanges (unique message topics generating ≥1 reply). RESULTS: The mean age of the cohort (N=7659) at this study's start was 61 (SD 7.16) years; 75% (n=5573) were married, 15% (n=1089) identified as Black, 10% (n=747) Chinese, 12% (n=905) Filipino, 13% (n=999) Latino, and 30% (n=2225) White. Further, 49% (n=3782) of patients used a proxy to some extent. Compared to nonproxy users, proxy users were older (P<.001), had lower educational attainment (P<.001), and had more comorbidities (P<.001). Adjusting for patient sociodemographic and clinical characteristics, proxy users had greater annual SM volume (20.7, 95% CI 20.2-21.2 vs 10.9, 95% CI 10.7-11.2; P<.001), shorter time to SM initiation (hazard ratio vs nonusers: 1.30, 95% CI 1.24-1.37; P<.001), and more annual SM exchanges (6.0, 95% CI 5.8-6.1 vs 2.9, 95% CI 2.9-3.0, P<.001). Differences in SM engagement by proxy status were similar across patient levels of education, and racial and ethnic groups. CONCLUSIONS: Among a cohort of older patients with diabetes, proxy SM involvement was independently associated with earlier initiation and increased intensity of messaging, although it did not appear to mitigate existing disparities in SM. These findings suggest care partners can enhance patient-clinician telecommunication in diabetes care. Future studies should examine the effect of care partners' SM involvement on diabetes-related quality of care and clinical outcomes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0030,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,032
Tête enseignante GPT0,400
Écart entre enseignants0,368 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR DiabetesMême sujetElectronic Health Records SystemsTravaux en français237 207