Unraveling the Factors Associated With Digital Health Intervention Uptake: Cross-Sectional Study
Notice bibliographique
Résumé
BACKGROUND: Chronic noncommunicable diseases (NCDs) remain a leading health challenge worldwide, and reducing modifiable lifestyle risk factors is a key prevention strategy. Digital health interventions (DHIs) offer scalable, cost-effective tools to support healthy behaviors, but concerns persist about their equitable reach and uptake across population groups. OBJECTIVE: This study aimed to examine how socioeconomic factors, health status, lifestyle behaviors, and attitudes and experiences related to the use of electronic services (e-services) are associated with the uptake of a DHI. METHODS: In this cross-sectional study, we invited (through mail or SMS) a subgroup of 6978 participants aged 20-74 years from the population-based Healthy Finland survey to take part in a DHI. The DHI, delivered via the web-based BitHabit app, aimed to support the adoption of healthy lifestyle habits. Uptake was defined as successful registration, agreeing to the terms of use, and accepting the invitation to participate. Predictor variables were drawn from national registry and self-reported survey data and included socioeconomic status, health indicators, lifestyle behaviors, and attitudes and experiences related to the use of e-services. Adjusted logistic regression models were used to identify significant predictors of DHI uptake. RESULTS: Of the final sample of 6975 participants, 1287 (18.5%) started using the DHI. Uptake was significantly higher among women (adjusted odds ratio [aOR] 1.69, 95% CI 1.49-1.93), middle-aged individuals (aOR 1.47, 95% CI 1.21-1.79), and those with higher income (aORs 1.76-1.97, 95% CIs 1.37-2.59) and more years of education (aOR 1.10, 95% CI 1.08-1.12). Healthier lifestyle indicators, including better diet quality (aOR 1.07, 95% CI 1.04-1.10), less frequent smoking or nonsmoking (aORs 1.59-2.29, 95% CIs 1.08-3.12), sleep (aOR 0.58, 95% CI 0.37-0.86), higher functional capacity (aOR 1.06, 95% CI 1.02-1.11), and good overall current health (aOR 1.46, 95% CI 1.15-1.89), were associated with increased likelihood of DHI uptake. The strongest predictors were related to the use of e-services: Individuals who used e-services (aORs 2.48-6.08, 95% CIs 1.19-11.92) reported higher competence to use e-services (aORs 2.00-4.10, 95% CIs 1.44-5.92), had low concerns about data security (aORs 1.37-1.76, 95% CIs 1.03-2.33), believed in the benefits of digital services (aOR 1.04, 95% CI 1.02-1.05), and had better internet connections had higher odds of uptake. CONCLUSIONS: Our findings show that DHI uptake is associated with socioeconomic status, health and lifestyle factors, and, especially, individuals' experience and attitudes toward e-services. Individuals with lower education levels, lower income, and poorer health and lifestyle habits are less likely to adopt DHIs, raising concerns about potential digital health inequities. These results underscore the need for targeted strategies to reduce barriers and ensure more equitable reach and engagement in future DHI implementations.
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 | 0,005 | 0,008 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».