Barriers to Patient Portal Adoption Among a Bilingual Patient Population by Analysis of Survey Findings from English- and Spanish-Speaking Patients: Information Needs Study
Notice bibliographique
Résumé
Background: Despite legislative action, pre-existing barriers continue to prevent patients from using patient portals. Patients, especially older people, people of color, and people with limited English proficiency continue to experience difficulty in adopting patient portals. Objective: The aim of this study was to advance understanding, explore willingness to adopt an electronic portal, and examine differences between language preferences. Methods: English- and Spanish-speaking patients (N=106) were surveyed from a community clinic regarding access to electronic devices and the internet, barriers to using a patient portal, willingness to adopt such a portal, preference mode of communication with health care providers, and preferred features in the current clinic's portal. Linear and logistic regressions were performed to predict the probability that patients would adopt the patient portal. Results: Only 65% (n=69)of participants said they envisioned themselves using a patient portal. English-speaking patients were more willing to exchange electronic information with their health care providers. Spanish-speaking patients reported language as a significant barrier to portal use. A logistic regression revealed that patients with more positive attitudes and higher perceived behavioral control are more likely to sign up and use the patient portal (Nagelkerke R2=.51, classification=90.8%, efficacy B=2.38, Wald-1=5.93, P=.02 and Exp[B]=12.44, attitude B=1.87, Wald=6.45, P=.01, Exp[B]=7.49). Conclusions: Understanding language preference differences while predicting portal use based on attitudes and perceptions empowers patients to have a more meaningful experience with their physician, potentially overcoming low health literacy-related barriers.
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 | 0,004 |
| 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 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».