The use of technology platforms for nutrition education in cirrhosis: A cross-sectional study of patients’ acceptability and capabilities
Notice bibliographique
Résumé
Background: Few nutrition education strategies using technology have been developed and evaluated for patients with cirrhosis. This study aims to describe the receptivity of these patients to technology-based nutrition education, specifically assessing their interest, preferences, Internet attitudes, technological skills with computers and mobile devices, and factors associated with their interest in such educational approaches. Methods: A cross-sectional study was conducted among patients with cirrhosis. Questionnaires included participant characteristics, interest, preferences and ownership of technology, Internet Attitude Scale (IAS), Computer Proficiency Questionnaire-12 (CPQ-12), Mobile Device Proficiency Questionnaire-16 (MDPQ-16), and Household Food Security Survey Module (HFSSM). Results: 77 patients were included (mean age 63.1, 57.1% male); 68.8% had post-secondary education, and 11.7% were food insecure. The primary etiologies were mixed (27.3%), metabolic dysfunction-associated steatohepatitis (MASH) (24.7%), and alcoholic liver disease (ALD) (19.5%). Most patients (72.7%) were interested in receiving nutrition education through technology. Interested patients showed higher proficiency and better attitude toward the Internet. ALD was more prevalent among patients not interested in technological nutritional education. Univariate analysis identified proficiency, attitude toward the Internet, ALD diagnosis, and tablet ownership as predictors of interest. Multivariate analysis confirmed tablet ownership and Internet attitude as significant factors. Preferred educational formats were documents (59.7%) and video clips (57.1%) by email, and pre-recorded online courses (57.1%). Conclusion: Patients with cirrhosis are generally receptive to technology-based nutrition education, though barriers may include lower technological proficiency and a negative attitude toward the Internet. Enhancing patients' technological skills could increase their willingness to use technology for educational purposes, particularly among ALD 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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».