The Digital Heartbeat: A Qualitative Descriptive Study on Women’s Views of Xi-Care in Preventive Cardiovascular Diseases in Primary Care
Bibliographic record
Abstract
Contexte: À l'échelle mondiale, une femme décède d'une maladie cardiovasculaire (MCVs) toutes les 20 minutes. Ces affections, sources importantes de préoccupations pour la santé publique, de tensions économiques et de problématiques en médecine familiale, sont souvent diagnostiquées chez les femmes plus tardivement que chez les hommes, ce qui fait manquer des occasions cruciales de prévention. Malgré les progrès technologiques, il existe une lacune remarquable dans l'utilisation des technologies de santé numérique pour la prévention primaire chez les femmes. Il est donc crucial de s'attaquer à ce problème avec des stratégies de prévention spécifiques au genre, particulièrement dans les contextes de soins de santé primaires.Objectifs: Cette recherche, intégrée à une initiative financée par les IRSC, vise à lutter contre les MCVs chez les femmes à l'aide de l'outil IA Xi-Care. L'étude se concentre sur (i) l'évaluation des perceptions des femmes concernant les MCVs et les outils numériques de prévention, et (ii) l'identification des caractéristiques clés pour l'outil IA Xi-Care afin de contribuer à la prévention des conditions cardiovasculaires.Méthodologie: Une méthode qualitative descriptive avec des entretiens semi-structurés a été utilisée, ciblant 15 femmes de plus de 40 ans au Québec, à haut risque de MCVs. Ces participantes anglophones, présentant au moins un facteur de risque de MCVs, ont été recrutées au sein de la communauté et d'une clinique affiliée à McGill. Les données ont été analysées en utilisant une approche thématique inductive.Résultats: La sensibilisation des femmes aux MCVs et aux outils de prévention par IA est faible ; elles associent souvent les MCVs à des épisodes aigus plutôt qu'à leur spectre plus large. Cependant, il existe une attitude proactive envers la santé cardiaque, avec un désir pour des outils éducatifs et de prise de décision adaptés à leurs besoins. Les participantes ont accueilli Xi-Care avec enthousiasme, soulignant l'importance de la personnalisation et de fonctionnalités telles que le suivi des données de santé.Discussion: Malgré la prévalence des MCVs, il existe un écart significatif dans la connaissance des femmes, notamment dans la compréhension de la nature chronique de ces maladies et de leurs manifestations diverses. La compréhension limitée des MCVs par les femmes met en lumière l'urgence de stratégies éducatives complètes qui abordent la prévention et les implications plus larges de vivre avec des MCVs. L'enthousiasme pour Xi-Care témoigne d'une volonté chez les femmes d'adopter des innovations numériques dans leur parcours de santé, à condition que ces outils soient adaptés à leurs besoins linguistiques, culturels et de santé individuels. Dans l'ensemble, cette étude souligne que Xi-Care, avec son potentiel de personnalisation et d'engagement interactif, pourrait améliorer la prévention primaire des maladies cardiovasculaires chez les femmes. Et cela offrira des perspectives pour les prochaines phases du projet, qui conduiront finalement au développement de Xi-Care
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 | 0.011 | 0.019 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.006 | 0.006 |
| Scholarly communication | 0.004 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
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".