Digital health literacy: resources and challenges of cancer survivors in Switzerland
Notice bibliographique
Résumé
Abstract Background The number of cancer survivors (CS) in Switzerland continues to grow. In parallel, the rapid digital transformation has led to numerous technology-enabled resources to improve the accessibility, scalability, and cost-effectiveness of care. However, CS need digital health literacy (DHL) to be able to find, access and use these resources. We aimed to identify DHL resources and challenges among CS in Switzerland to inform DHL-strengthening interventions. Methods The cross-sectional mixed-methods study was informed by the Optimizing Health Literacy and Access (Ophelia) process. An online survey among CS using the eHLQ covering seven domains was complemented by qualitative interviews to understand CS’ perceived resources and challenges when using and accessing digital health information and services. Quantitative analysis included a cluster analysis to identify subgroups of CS with different DHL profiles. These profiles will be enriched by interview data to develop vignettes of how CS access and use digital health information and services to inform intervention development. Results 131 CS (79% female) completed the survey. In most eHLQ domains, participants show medium to high DHL. The 6-cluster solution describes groups ranging from one characterised by high eHLQ scores and older men without other chronic conditions, working in a health profession, and reporting high self-management (SM) skills, to a group scoring lowest on most dimensions, including mainly older women with low perceived SM skills and greater variability in all other demographic characteristics. Conclusions Our findings indicate that there are groups of CS in Switzerland with a medium to high DHL with a notably good knowledge about health and suggest that gender, experience in healthcare, comorbidities, and SM play key roles in shaping DHL. Using the interview data to build vignettes will help characterize the clusters in more detail.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».