Trust in Health Information Sources Among Patients With Systemic Lupus Erythematosus in the Social Networking Era: The TRUMP2-SLE Study
Notice bibliographique
Résumé
OBJECTIVE: The growing use of social networking services (SNS) has affected how patients with systemic lupus erythematosus (SLE) access health information, potentially influencing their interaction with healthcare providers. This study aimed to examine patients' preferences, actual use, and trust in various health information sources, along with the factors influencing the trust among patients with SLE. METHODS: A multicenter, cross-sectional survey was conducted from June 2020 to August 2021, involving 510 Japanese adults with SLE. Participants reported their preferred and actual sources of health information, including SNS, and their level of trust in these sources. Modified Poisson regression was used to analyze factors influencing trust, including internet usage and health literacy (HL; functional, communicative, and critical). RESULTS: Most respondents (98.2%) expressed trust in doctors, whereas trust in websites and blogs (52%) and SNS (26.8%) was lower. Despite this, the internet was the most frequent initial source of health information (45.3%), encompassing medical institution websites, patient blogs, X (formerly known as Twitter), and Instagram. Longer internet usage periods were associated with a greater trust in websites and blogs and SNS. Higher functional HL was correlated with an increased trust in doctors but decreased trust in homepages/blogs and SNSs. Higher communicative HL was linked to a greater trust in doctors, websites, and blogs. CONCLUSION: Although many patients with SLE initially seek health information online, they prefer to consult rheumatologists. Internet usage duration and multidimensional HL influence trust in online sources. Healthcare providers should consider these factors when disseminating health information and engaging with patients.
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 | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».