Electronic Implementation of Patient-Reported Outcome Measures in Primary Health Care: Mixed Methods Systematic Review (Preprint)
Notice bibliographique
Résumé
BACKGROUND Managing chronic diseases remains a critical challenge in primary health care (PHC) across the Organization for Economic Co-operation and Development countries. Electronic patient-reported outcome measures (ePROMs) are emerging as valuable tools for enhancing patient engagement, facilitating clinical decision-making, and improving health outcomes. However, their implementation in PHC remains limited, with significant variability in effectiveness and adoption. OBJECTIVE This systematic review aimed to assess the implementation and effectiveness of ePROMs in chronic disease management within PHC settings and to identify key barriers and facilitators influencing their integration. METHODS A mixed methods systematic review was conducted following the Cochrane Methods and PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) guidelines. We included studies that implemented ePROMs among adults for chronic disease management in PHC. The extracted data included patient health outcomes, provider workflow implications, implementation factors, and cost considerations. The reach, effectiveness, adoption, implementation, and maintenance framework was used. RESULTS Our search yielded 12,525 references, from which 22 (0.18%) studies were included after screening and exclusions. These studies, primarily conducted in the United States (n=9, 41%) and Canada (n=8, 36%), covered various chronic diseases and used diverse ePROM tools, predominantly mobile apps (n=9, 41%). While some studies (n=10, 45%) reported improvements in patient health outcomes and self-management, others (n=12, 55%) indicated no significant change. Key barriers included digital literacy gaps, integration challenges within clinical workflows, and increased provider workload. Facilitators included strong patient-provider relationships, personalized interventions, and technical support for users. While some studies (n=10, 45%) demonstrated improved patient engagement and self-management, long-term cost-effectiveness and sustainability remain uncertain. CONCLUSIONS Success in implementing ePROMs in PHC appears to hinge on addressing digital literacy, ensuring personalization and meaningful patient-provider interactions, carefully integrating technology into clinical workflows, and conducting thorough research on their long-term impacts and cost-effectiveness. Future efforts should focus on these areas to fully realize the benefits of digital health technologies for patients, providers, and health care systems. CLINICALTRIAL PROSPERO CRD42022333513; https://www.crd.york.ac.uk/PROSPERO/view/CRD42022333513 INTERNATIONAL REGISTERED REPORT RR2-10.2196/48155
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 | 0,232 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,012 | 0,017 |
| Bibliométrie | 0,011 | 0,016 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».