MétaCan
Menu
← Retour à la cohorte
Enregistrement W4413026915 · doi:10.2196/74167

Exploring the Preferences and Behavioral Trends of e-Patients in Psychosomatics Towards Telemedicine During and Post COVID-19 Pandemic: Cross-Sectional Analysis

2025· article· en· W4413026915 sur OpenAlexvenueno aff
Moritz Mahling, Alex McQueeney, Teresa Festl‐Wietek, Ken Masters, Stephan Zipfel, Anne Herrmann‐Werner, Caroline Rometsch

Notice bibliographique

RevueJMIR Formative Research · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueTelemedicine and Telehealth Implementation
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCoronavirus disease 2019 (COVID-19)PandemicTelemedicine2019-20 coronavirus outbreakSevere acute respiratory syndrome coronavirus 2 (SARS-CoV-2)PreprintPsychosomaticsCross-sectional studyMedicinePsychologyMedical emergencyPsychiatryHealth careVirologyPathologyComputer scienceWorld Wide WebDisease

Résumé

récupéré en direct d'OpenAlex

Background: COVID-19 accelerated the adoption of health services, with a growing number of psychosomatic patients turning to the internet for health-related decisions. This study explored changes in communication behavior, information-seeking habits, and post-pandemic consultation preferences among psychosomatic patients during and after COVID-19. Objective: This study explored changes in communication behavior, information-seeking habits, and post-pandemic consultation preferences among psychosomatic patients during and after COVID-19. Methods: In a cross-sectional study, 150 adult patients (>18 y) from the psychosomatic outpatient department in Tübingen, Germany, were invited to complete an ad hoc questionnaire to identify e-patients' preferences related to communication, information-seeking behavior, subjective explanations, and postpandemic preferences. Group comparisons and multiple linear regression analyses were conducted. Results: The study revealed a slight increase in online-based communication between patients and caregivers (eg, caregivers' system use +10.8%; live video consultations +30.8%), as well as in patient-patient interactions (eg, online correspondence +16.9%). Significant group differences were observed for social media correspondence by patient age (χ2¬=17.44, P<.001) and for live video consultations by gender (χ2¬=70.17, P<.001). For both age and gender, significant group differences were found in the use of medical videos (age χ2¬=6.36, P=.04; gender χ2¬=76.70, P<.001). Age, gender, and preferences for live video consultations were identified as significant predictors (F1,11=14.195, P<.001, R²=0.299) of patients' future preferences for on-site versus online consultations. Conclusions: Although a slight increase in online-based communication was observed, resilience in patient-caregiver and patient-patient communication indicated relative stability under challenging circumstances. Older adults and female patients expressed a preference for on-site consultations, emphasizing the significance of in-person care. Male patients demonstrated greater openness towards online consultations, indicating potential for expansion of eHealth services. Identifying preferences is a core essential for providing future eHealth implementations that account for diverse patient needs and for designing care offerings. Incorporating these findings may enhance patient engagement and satisfaction in the evolving landscape of eHealth services for better health care outcomes.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,006

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,003
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,281
Tête enseignante GPT0,542
Écart entre enseignants0,262 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative Research→Même sujetTelemedicine and Telehealth Implementation→Travaux en français237 207→