Challenges in Developing a Patient-Reported Symptom-Based Risk Stratification System for Suspected Head and Neck Cancer: Protocol for a Qualitative Case Study
Notice bibliographique
Résumé
Background: The Symptom Input Clinical (SYNC) system is being developed to enhance the timely reporting of head and neck cancer symptoms and ensure that high-risk patients receive faster diagnoses. A key feature of the system is a digital questionnaire co-designed with patient representatives to accommodate varying levels of digital literacy. The system integrates a validated algorithm that assigns risk scores to categorize cases as low or high risk and a dashboard that supports clinicians by providing them with patient reports. However, the development process has encountered challenges that necessitate a systematic evaluation of the process, roles, and experiences of team members. Objective: This study aims to identify challenges faced during development, how these challenges were addressed, and the implications for future digital health innovations. Methods: A qualitative single-case study approach will be used following the Standards for Reporting Qualitative Research guidelines focusing on individuals involved in the SYNC system's development. Participants will be selected using a combination of purposive and snowball sampling to ensure diverse perspectives, using meeting minutes and recommendations from key stakeholders. A total of 8 to 12 participants will be interviewed, representing clinical, research, and IT roles. Data collection will involve semistructured interviews, which will be conducted through Microsoft Teams. The interviews are expected to last between 40 and 60 minutes each. These interviews will be audio recorded, transcribed, and analyzed using framework analysis in Dedoose. The actor-network theory will guide the analysis by mapping interactions between human and nonhuman actors, such as developers, clinicians, and technological tools, to understand how they influenced the project's outcomes. Participant confidentiality will be maintained through data encryption, deidentification, and secure storage. Results: We anticipate identifying key barriers and facilitators in the SYNC system's development, including technical, organizational, and collaboration-related challenges. The findings are expected to provide a detailed account of the challenges encountered, such as delays, security concerns, and coordination issues; an insight into how these challenges were mitigated; and lessons learned and recommendations for improving digital health technology development, including best practices for co-design, technical integration, and stakeholder engagement. Conclusions: This case study will provide valuable insights into the complexities of developing digital health technologies, particularly in collaborative, multistakeholder environments. Documenting the challenges encountered in the SYNC system's development will contribute to best practices in digital health innovation.
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 | 0,064 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,005 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,028 | 0,005 |
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 ».