The level of electronic health literacy among older adults: a systematic review and meta-analysis
Notice bibliographique
Résumé
BACKGROUND: In the context of deeper integration of the internet and healthcare services, eHealth literacy levels have become an important predictor of public health outcomes and health-promoting behaviors. However, there is a lack of comprehensive understanding of eHealth literacy levels among older adults. OBJECTIVE: To systematically assess the level of eHealth literacy among older adults. METHODS: We conducted searches in MEDLINE, Embase, Web of Science, CINAHL, PsycINFO, China National Knowledge Infrastructure Database (CNKI), Wanfang Database, Weipu Database (VIP), and Chinese Biomedical Database (Sinomed) to collect survey studies on the eHealth literacy levels of the older adults, with a search timeframe from the establishment of the database to May 2024. The quality of the included literature was assessed using the Agency for Healthcare Research and Quality (AHRQ) and the Newcastle-Ottawa Scale (NOS). Additionally, subgroup analysis and meta-regression were conducted to detect sources of heterogeneity. Funnel plots and Egger's test were used to assess publication bias. RESULTS: A total of 48 relevant studies were included, including 45 cross-sectional, 2 cohort studies and 1 longitudinal study, comprising 33,919 older adults. The quality of the studies was all above moderate, with 10 high-quality publications. Meta-integration results showed that the eHealth literacy score of older adults was 21.45 (95% CI:19.81-23.08). Subgroup analysis showed that among the elderly population, females had lower eHealth literacy at 19.13 (95% CI:15.83-22.42), those aged 80 years and older had lower eHealth literacy at 16.55 (95% CI:11.73-21.38), and elderly individuals without a spouse and living alone had even lower eHealth literacy at 18.88 (95% CI:15.71-22.04) and 16.03 (95% CI:16.51-21.79). Based on region, eHealth literacy was lower among older adults in developing countries at 20.71 (95% CI:18.95-22.48). Meta-regression results indicate that sample size and region can significantly impact heterogeneity. CONCLUSION: Our results found that the average eHealth literacy score of the elderly was 21.45, which was much lower than the passing level (≥ 32), suggesting that more attention should be paid to the eHealth literacy aspect of the elderly. Meanwhile, due to the limitation of the literature sources, the global representativeness of the results of this study still needs to be supported by more research data from other countries.
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 | 0,016 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,017 | 0,029 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».