How the commercial virtual care industry gathers, uses and values patient data: a Canadian qualitative study
Notice bibliographique
Résumé
OBJECTIVES: To understand and report on the direct-to-consumer virtual care industry in Canada, focusing on how companies collect, use and value patient data. DESIGN: Qualitative study using situational analysis methodology. SETTING: Canadian for-profit virtual care industry. PARTICIPANTS: 18 individuals employed by or affiliated with the Canadian virtual care industry. METHODS: Semistructured interviews were conducted between October 2021 and January 2022 and publicly available documents on websites of commercial virtual care platforms were retrieved. Analysis was informed by situational analysis, a constructivist grounded theory methodology, with a continuous and iterative process of data collection and analysis; theoretical sampling and creation of theoretical concepts to explain findings. RESULTS: Participants described how companies in the virtual care industry highly valued patient data. Companies used data collected as patients accessed virtual care platforms and registered for services to generate revenue, often by marketing other products and services. In some cases, virtual care companies were funded by pharmaceutical companies to analyse data collected when patients interacted with a healthcare provider and adjust care pathways with the goal of increasing uptake of a drug or vaccine. Participants described these business practices as expected and appropriate, but some were concerned about patient privacy, industry influence over care and risks to marginalised communities. They described how patients may have agreed to these uses of their data because of high levels of trust in the Canadian health system, problematic consent processes and a lack of other options for care. CONCLUSIONS: Patients, healthcare providers and policy-makers should be aware that the direct-to-consumer virtual care industry in Canada highly values patient data and appears to view data as a revenue stream. The industry's data handling practices of this sensitive information, in the context of providing a health service, have implications for patient privacy, autonomy and quality of 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 | 0,020 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,028 | 0,015 |
| Communication savante | 0,008 | 0,004 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».