Does bundling reminders with messages debunking misconceptions improve the demand for preventive health services? A randomized controlled trial among adults with hypertension in Punjab, India
Notice bibliographique
Résumé
Regular follow-up visits are a crucial component of prevention and care for several important non-communicable diseases (NCDs). Yet evidence across low- and middle-income countries (LMICs) reveals low demand for preventive healthcare visits. While reminders are commonly used to improve follow-up visit attendance, we hypothesized that low demand could also be driven by misconceptions about the need for preventive care. We thus conducted a randomized evaluation of an enhanced reminder intervention that combined a traditional reminder with debunking information aimed at correcting misconceptions around preventive healthcare. We focused specifically on correcting misconceptions about and improving follow-up visit attendance for hypertension among a sample of 463 individuals with uncontrolled blood pressure recruited from two public hospitals in Punjab, India. Our enhanced reminder was highly effective and improved follow-up visit attendance by 12.1 percentage points. Importantly, we found widespread misconceptions about when hypertension care and treatment are needed among participants at baseline. However, our enhanced reminder did not significantly correct these misconceptions, suggesting that the reminder's effect was primarily mediated through its effect on salience rather than belief correction. While our reminder improved preventive care seeking, the results reveal the challenge of changing deeply rooted misconceptions and suggest that there is still significant scope for further improving demand by combining reminders with more effective belief correction strategies. • Extremely low follow-up attendance among individuals with uncontrolled blood pressure. • Participants did have widespread misconceptions around hypertension care. • Our enhanced reminder that combined debunking significantly improved attendance. • However, our debunking did not change misconceptions highlighting sticky beliefs.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».