How Patient-Generated Data Enhance Patient-Provider Communication in Chronic Care: Field Study in Design Science Research
Notice bibliographique
Résumé
BACKGROUND: Modern approaches such as patient-centered care ask health care providers (eg, nurses, physicians, and dietitians) to activate and include patients to participate in their health care. Mobile health (mHealth) is integral in this endeavor to be more patient centric. However, structural and regulatory barriers have hindered its adoption. Existing mHealth apps often fail to activate and engage patients sufficiently. Moreover, such systems seldom integrate well with health care providers' workflow. OBJECTIVE: This study investigated how patient-provider communication behaviors change when introducing patient-generated data into patient-provider communication. METHODS: We adopted the design science approach to design PatientHub, an integrated digital health system that engages patients and providers in patient-centered care for weight management. PatientHub was developed in 4 iterations and was evaluated in a 3-week field study with 27 patients and 6 physicians. We analyzed 54 video recordings of PatientHub-supported consultations and interviews with patients and physicians. RESULTS: PatientHub introduces patient-generated data into patient-provider communication. We observed 3 emerging behaviors when introducing patient-generated data into consultations. We named these behaviors emotion labeling, expectation decelerating, and decision ping-pong. Our findings show how these behaviors enhance patient-provider communication and facilitate patient-centered care. Introducing patient-generated data leads to behaviors that make consultations more personal, actionable, trustworthy, and equal. CONCLUSIONS: The results of this study indicate that patient-generated data facilitate patient-centered care by activating and engaging patients and providers. We propose 3 design principles for patient-centered communication. Patient-centered communication informs the design of future mHealth systems and offers insights into the inner workings of mHealth-supported patient-provider communication in chronic 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 | 0,127 | 0,140 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».