Adherence Patterns of Patients Using Remote Patient Management After Myocardial Infarction: Mixed Methods Persona Approach
Notice bibliographique
Résumé
Background: Remote patient management (RPM) using smartphone-enabled health monitoring devices (SHMDs) can be an effective, value-added part of cardiovascular care. However, cardiac patients' adherence to RPM is variable. Personas are fictional representations of users with common behaviors, needs, and motivation and can thereby help guide tailoring of interventions to be meaningful and possibly more effective. Personas can be used to understand the needs of the patient group and guide tailoring toward more personalized and effective eHealth intervention. Objective: The aim of this study was to develop data-driven personas for patients with myocardial infarction (MI) based on both quantitative and qualitative results. Methods: This study used a mixed methods design involving (1) database analysis of patients with MI (N=261) SHMD usage data (blood pressure [BP], weight, step count) over the course of a one-year care track and (2) semistructured interviews with patients with MI (N=16) currently using SHMDs. Overall, 12-month adherence rates were calculated based on the number of weeks patients performed the prescribed home measurements with the SHMDs. Results: A cluster analysis was conducted on the self-monitoring data resulting in four distinctive usage patterns labeled as stiff starting (low adherent in first 6 weeks: 13%, 34/261 of users), temporary persisting (decreasing adherence: 24%, 62/261), loyally persisting (continuously adherent: 26%, 68/261), and negligent quitting (nonadherent: 37%, 97/261). Health outcomes (BP, step count, and weight) were analyzed based on these patterns. More adherent usage patterns show better controlled BP when compared to less adherent usage patterns, suggesting that adherence is associated with health outcomes. Patient experiences regarding adherence or nonadherence to the RPM relating to the four distinctive usage patterns were uncovered by means of semistructured interviews, providing insight into adherence factors most relevant for each of the clusters. Thus, 4 distinct personas were developed by data collection (database analysis and semistructured interviews), persona segmentation, and persona creation, named Tamara, Sam, Peter, and Kim. Conclusions: This study identified 4 personas regarding adherence experiences and usage patterns of patients within an RPM care track. Adherent usage patterns were characterized by improved BP and step count. These personas can guide future tailoring of eHealth interventions to maximize patient adherence.
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 | 0,016 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».