Frequency of Electronic Personal Health Record Use in US Older Adults: Cross-Sectional Study of a National Survey
Notice bibliographique
Résumé
Background: Electronic personal health records (ePHRs) hold significant potential to improve health management for older adults by enhancing access to medical information and facilitating communication with health care providers. However, usage remains low among individuals aged 65 and older. While existing research has identified barriers such as low self-efficacy, limited digital literacy, and usability challenges, the specific factors influencing the use of ePHRs among older adults are not yet fully understood. Objective: This study integrates the Aging and Technology framework with the Patient Technology Acceptance Model to examine key predictors of ePHR use among older adults, including age, education, issue involvement, performance expectancy, effort expectancy, and self-efficacy, while controlling for demographic factors such as gender, race, and income. Methods: This study utilizes data from the Health Information National Trends Survey (HINTS 5 cycle 3), which includes 532 respondents representing 13,136,180 US adults aged 65 years and older, after applying survey weights. Structural equation modeling was used to analyze the factors influencing the frequency of ePHR access over the past 12 months. Results: The findings indicate that older adults with higher self-efficacy used ePHRs more frequently. Additionally, issue involvement, performance expectancy, and effort expectancy were positively associated with ePHR use. Notably, self-efficacy partially mediated the relationship between age and the frequency of ePHR use. Conclusions: These findings suggest that enhancing self-efficacy, improving usability, and increasing the perceived benefits of ePHRs are critical for boosting usage among older adults. The study underscores the need for targeted interventions to support older users, simplify digital interfaces, and provide accessible educational resources, ultimately contributing to better health outcomes and an improved quality of life for older adults.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 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) | 0,001 | 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 ».