Hoitohenkilökunnan rooli potilaiden motivoinnissa ja ohjaamisessa terveydenhuollon sähköisten palveluiden käyttöön
Bibliographic record
Abstract
Terveydenhuollon sähköisten palveluiden määrä on lisääntynyt merkittävästi. Potilaiden odotetaan osallistuvan aktiivisemmin hoitoonsa, mutta erityisesti kroonisesti sairaat käyttävät sähköisiä palveluita terveitä harvemmin. Kansainvälisten tutkimusten mukaan hoitohenkilökunnan motivointi ja tuki vaikuttavat merkittävästi potilaiden halukkuuteen ja kyvykkyyteen käyttää terveydenhuollon sähköisiä palveluita. Tässä artikkelissa raportoidaan tuloksia verkkokyselystä, jossa tutkittiin, millaista tukea ja ohjausta kroonisesti sairaat potilaat saavat ja toisaalta toivovat hoitohenkilökunnalta terveydenhuollon sähköisten palveluiden käyttöön. Kyselyssä potilaita pyydettiin arvioimaan, miten hoitohenkilökunta on ohjannut heitä sähköisten palveluiden käyttöön kertomalla palveluista, kannustamalla käyttämään niitä ja neuvomalla niiden käyttöä. Lisäksi kyselyllä selvitettiin, millaisia sähköisiä palveluja potilaat haluavat tulevaisuudessa käyttää. Kyselyyn vastasi 397 sydän-, diabetes- ja syöpäpotilasta. Suurin osa kyselyyn vastanneista potilaista oli käyttänyt vähintään yhtä terveydenhuollon sähköistä palvelua (92 %) ja eniten näitä palveluja käytettiin tiedon etsimiseen. Palvelujen käyttö perustui suurimmaksi osaksi potilaiden omaan aloitteeseen ja hoitohenkilökunnan rooli potilaiden motivoinnissa ja ohjauksessa jäi pieneksi. Alle puolet vastaajista (47 %) raportoi hoitohenkilökunnan kertoneen heille terveydenhuollon sähköisistä palveluista. Palvelujen käyttöön hoitohenkilökunta oli kannustanut noin kolmannesta (30 %) tai opastanut vielä harvempaa (21 %). Alle kolmannes vastaajista koki, ettei tarvitse apua tai tukea terveydenhuollon sähköisten palvelujen käyttöön, mutta monet toivoivat hoitohenkilökunnalta aktiivisempaa otetta palveluista tiedottamisessa sekä palveluiden käytön neuvomisessa ja kannustamisessa. Tulevaisuudessa potilaat ovat halukkaita käyttämään erityisesti käytännöllistä sähköistä ajanvarausta sekä uusia, helppoja yhteydenpitokanavia hoitohenkilökunnan kanssa. Tutkimuksen tulosten perusteella pelkkä terveydenhuollon sähköisten palvelujen määrän lisääminen ei riitä, vaan aktiivisetkin potilaat tarvitsevat enemmän tietoa palveluista ja tukea niiden käyttöön.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.000 |
| Science and technology studies | 0.003 | 0.002 |
| Scholarly communication | 0.006 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.149 | 0.059 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".