发表在第24卷第9期(2022):9月

本文的预印本(早期版本)可在https://preprints.www.mybigtv.com/preprint/35828,首次出版
COVID-19大流行对互联网使用和数字卫生工具使用的影响:对2020年卫生信息全国趋势调查的二次分析

COVID-19大流行对互联网使用和数字卫生工具使用的影响:对2020年卫生信息全国趋势调查的二次分析

COVID-19大流行对互联网使用和数字卫生工具使用的影响:对2020年卫生信息全国趋势调查的二次分析

原始论文

1加州大学旧金山分校医学院,美国加州旧金山市

2美国加州大学旧金山分校医学系,扎克伯格旧金山总医院普通内科

3.加州大学旧金山分校医学系扎克伯格旧金山总医院弱势群体中心,美国加州旧金山

4美国加州大学戴维斯分校营养学系

通讯作者:

Elaine C Khoong, MS, MD

扎克伯格旧金山总医院普通内科

医学系

加州大学旧金山分校

波特雷罗大道1001号

10号楼,13区

旧金山,加利福尼亚州,94110

美国

电话:1 6282063188

电子邮件:elaine.khoong@ucsf.edu


背景:COVID-19大流行增加了数字工具在医疗保健中的使用(例如,患者门户网站、远程医疗和基于web的调度)。研究表明,老年人、种族/少数民族群体或受教育程度或收入较低的人群使用数字健康工具的比例较低。卫生保健数字化可能会加剧这些人群已经存在的获取障碍。

摘要目的:这项研究评估了如何使用数字工具与临床医生进行异步沟通、安排预约以及查看大流行开始时更改的医疗记录。

方法:使用2020年健康信息全国趋势调查(HINTS)数据,我们检查了互联网使用和7种数字健康技术的使用结果(与提供者的电子通信、电子预约安排、电子检查结果查看、患者门户访问、下载健康记录的门户使用、患者-提供者通信的门户使用以及查看检测结果的门户使用)。调查人员指定2020年3月11日之后收到的调查作为大流行后的应对措施。在调整了社会人口特征(年龄、种族/民族、收入、教育程度和性别)、数字获取(是否使用过互联网和智能手机/平板电脑的所有权)和健康相关因素(保险覆盖范围、护理人员状况、是否有固定提供者和慢性病)后,我们使用加权logistic回归研究了大流行的影响。为了探索主要社会人口统计学群体之间结果变化的差异,我们测试了大流行变量与种族/民族、年龄、收入和教育程度之间的显著相互作用项。

结果:共有3865名受访者(大流行前1437人,大流行后2428人)。在调查的8项结果中,大流行仅与与提供者使用电子通信的较高几率(调整后的优势比1.99,95% CI 1.18-3.35)显著相关。大流行变量与2个关键的社会人口特征之间存在显著的相互作用。相对于最低收入群体(< 2万美元),最高收入群体(≥7.5万美元)在大流行后应对中使用互联网的几率有所增加。与受教育程度最高的群体(获得学士学位后)相比,受教育程度较低的群体(高中毕业生和学士学位)在大流行后应对中与提供者使用电子通信的几率增长较低。然而,高中以下学历的人在与服务提供商使用电子通信方面的增长与拥有学士学位的人相似。

结论:我们的研究没有显示在COVID-19大流行的最初几个月,弱势人群中数字卫生工具的使用普遍增加或使用这些工具的差距扩大。尽管一些弱势群体报告称,使用互联网或与医疗服务提供者进行电子通信的人数大幅增加,但有迹象表明,一些弱势群体也适应了日益数字化的医疗保健生态系统。需要进行未来的研究,以确定这些差异在大流行的最初几个月之后是否仍然存在。

中国医学杂志,2018;24(9):e35828

doi: 10.2196/35828

关键字



为了应对COVID-19公共卫生紧急情况,许多美国医疗中心几乎在一夜之间过渡到远程医疗,大多数问诊是通过电话或视频进行的,只有有限数量的问诊是亲自进行的[1].随着越来越多的医疗保健基于网络,数字医疗工具变得更加重要[2].然而,研究表明,年龄较大、被认为是有色人种或受教育程度或收入较低的人不太可能使用各种数字健康工具(例如,移动健康应用程序、远程医疗和基于网络的医疗记录)[3.-5].

数字卫生工具使用方面的许多差异源于结构性因素,包括互联网接入成本、宽带基础设施和数字扫盲技能[67这些问题在大流行期间基本没有得到解决。因此,卫生保健公平的倡导者担心,要求通过数字工具获得卫生保健服务,而不采取干预措施,以解决不同人群中数字公平的结构性障碍,这将加剧数字卫生工具使用方面已经存在的差异[8].

尽管自COVID-19大流行开始以来,对数字卫生公平的关注主要集中在基于网络的访问(或远程医疗)和越来越多的远程患者监测工具上,但数字工具支持各种其他与健康相关的任务。数字健康技术的定义包括"移动健康(移动健康)、健康信息技术、可穿戴设备、远程健康和远程医疗以及个性化医疗" [8].患者可以使用数字健康技术执行许多与医疗保健相关的任务;例如,患者可以使用数字工具与临床医生进行异步交流,查看他们基于web的医疗记录或测试结果,或安排预约。

健康信息全国趋势调查(hint)是国家癌症研究所开展的一项全国性年度调查,收集有关健康沟通的信息,包括患者在网络访问之外使用技术进行医疗相关任务的情况[910].从2008年开始,HINTS开始包括与使用互联网和其他数字工具支持卫生保健相关任务有关的问题。因此,HINTS调查数据提供了一个机会,可以深入了解在大流行的早期阶段,对于非远程医疗相关的数字卫生任务(例如,与临床医生发消息、安排预约和查看基于web的医疗记录)是否产生了数字公平问题。

利用hint数据,我们调查了在COVID-19突发公共卫生事件开始后,使用数字工具执行卫生保健相关任务的差异是否有所增加。(在本文中,我们将使用术语“差异”来描述群体之间的差异。)

我们关注了之前记录的与使用数字健康工具的差异相关的4个社会人口因素:年龄、种族/民族、教育和收入[3.-511-13].我们特别假设,在收集HINTS 2020数据的大流行早期阶段,在使用互联网和数字工具完成卫生保健相关任务方面的差异可能有所增加,年龄较大、种族/少数民族群体、受教育程度较低或收入较低的人群使用互联网和数字工具的比例较低。


调查管理

有关HINTS管理和设计的详细资料已公开。[10].简而言之,英语和西班牙语调查问卷被随机发送到美国居民住址,并通过邮件或互联网返回。资讯科技资讯网收集有关互联网使用情况及使用数码工具进行医疗护理工作的资料,例如与医生联络、预约及查看测试结果[10].我们使用了2020年2月至6月收集的HINTS 5周期4数据[14].这些调查被发送到一个随机的地址样本,对少数民族人口较多的地区进行过采样,以提高对少数民族人口推断的准确性。数据中提供了调查样本权重,以便对整个美国人口进行推断。2020年的提示包括一个变量,用于表明调查是在COVID-19大流行之前还是之后返回的;2020年3月11日之后收到的调查被暗示调查者标记为大流行后。2020年hint的调查回复率为37%,与前几年一致。

结果

我们从曾经使用互联网和使用数字工具进行健康相关任务的问题中选择了8个二分类(是/否)结果变量多媒体附件1).互联网使用结果询问受访者是否使用过互联网。有3个结果变量集中在使用电子手段与医生交谈,与医疗保健临床医生预约,或查看过去12个月内的检测结果。最后4个结果变量与患者门户使用有关:访问基于web的患者门户,下载健康记录,与提供者沟通,或查看过去12个月内的测试结果。关于使用患者门户进行各种任务的最后3个结果变量仅询问了报告访问过患者门户的受访者。

模型设计

为了指导我们的分析,我们概念化了可能影响这些结果的预测因素。除了将大流行作为所有模型中的关键预测变量外,我们还从先前的文献中确定了3组预测因素(社会人口特征、数字获取和健康相关因素),并在下面进行了描述[15-18].值得注意的是,曾经使用过互联网的结果被作为其他7个结果建模的数字访问预测变量之一。

预测变量和协变量

COVID-19大流行

大流行是一个关键的预测变量,它表明调查回应是发生在COVID-19大流行之后(2020年3月11日之后收到的调查)还是之前。这个名称是由暗示测量员做出的。

社会人口特征

模型中包括的社会人口学特征包括年龄(18-34岁、35-49岁、50-64岁、65-74岁和≥75岁)、种族/民族(亚洲人、黑人、任何种族的西班牙裔、非西班牙裔白人和其他)、教育程度(低于高中学历、高中毕业生、一些大学、学士学位和学士学位后学历)、收入(< 20,000美元、20,000美元- 34,999美元、35,000美元- 49,999美元、50,000美元- 74,999美元和>美元75,000美元)和性别(男性和女性)。所有预测因子均为分类变量。收入数据中的缺失值由hint数据集估算并提供。对于逻辑回归模型,年龄、种族/民族、教育程度、收入和性别的参考组分别为:18-34岁、非西班牙裔白人、学士学位后教育程度、收入< 2万美元和男性。

数字的因素

这一组中包含两个二元变量:拥有平板电脑或智能手机以及曾经使用过互联网。曾经使用过互联网是一个模型的结果,但在其他模型中被作为协变量包含。

保健因素

有3个与医疗保健相关的二元变量:作为另一个人的照顾者,能够获得常规提供者的服务,以及有保险。我们还纳入了1个分类变量:基于抑郁症、高血压、糖尿病、心脏病或肺部疾病的自我报告诊断的慢性疾病数量(0、1、2或≥3),以0种慢性疾病作为参考值。

分析

我们报告预测变量、协变量和未加权结果的描述性统计。为了推断人口水平的统计数据,我们使用hint数据集提供的权重报告加权比例。使用权重调整的调查数据,我们为8个结果分别构建了双变量和多变量逻辑回归模型。所有结果的模型使用了上面列出的所有预测变量和协变量;我们没有进行变量选择,因为在文献中所有变量都已被证明会影响这些结果。

为了确定大流行的影响,我们重点研究了大流行变量以及大流行变量与感兴趣的4个社会人口特征(种族/民族、年龄、教育和收入)之间的相互作用项。瓦尔德检验用于评估大流行状况与这4个社会人口学特征之间的相互作用。相互作用在P<。10were included in the final overall model. The final overall model was used to generate marginal expected odds and SE of each outcome for each sociodemographic and pandemic interaction pair atP< .10。

所有分析均使用R统计软件(4.1.0版;R统计计算基础)。为了调整复杂的调查设计,我们使用了通过调查软件包(4.0版),以应用抽样和叠刀复制权重[19].的调查包对交互变量进行Wald统计检验。所有的回归模型都是用完整的案例创建的。的emmeans包(版本1.6.0)用于计算概率的期望均值和SEs [20.],以及ggplot2软件包(版本3.3.3)用于绘图[21].

我们使用P<。05to determine statistical significance for all outcomes. We did not adjust for multiple hypothesis testing due to having planned few comparisons rather than every possible comparison and to avoid increasing type II error [2223].


调查对象及结果

在3865名调查回答者中,1437人在大流行指标出现前作出回应,2428人在大流行指标出现后作出回应。表1描述调查参与者和结果。很大一部分参与者(3148/ 3865,86%)报告曾经使用过互联网,但其中不到一半的人报告使用过任何数字健康工具。在与医疗保健相关的任务中,最常见的数字工具使用是使用电子手段安排医疗保健预约(1891/3865,49%)和与提供者沟通(1800/3865,47%)。只有39%(1553/3865)的受访者表示曾经访问过他们的患者门户网站。(如表1所示,百分比是加权的,因此可能与给出的n/ n不一致。)在访问患者门户网站的患者中,87%(1349/1553)报告查看了他们的检测结果,59%(920/1553)报告向临床医生发送了消息。

表1。入选受试者的特征(N=3865)。
特征,变量一个 2020年,大流行前(n=1437), n(加权%b 2020年,大流行后(n=2428), n(加权%b 2020年,总数,n(加权%b
社会人口的

性别


804 (47.71) 1400 (51.59) 2204 (50.22)

年龄(年)


- 34 151 (19.21) 333 (28.89) 484 (25.47)


35-49 212 (21.93) 491 (26.37) 703 (24.80)


50 - 64 433 (31.88) 709 (24.25) 1142 (26.95)


65 - 74 361 (13.81) 508 (10.42) 869 (11.62)


≥75 237 (9.74) 303 (7.61) 540 (8.36)

种族/民族


亚洲 51 (3.84) 110 (5.37) 161 (4.83)


黑色的 135 (7.70) 346 (11.75) 481 (10.32)


拉美裔 170 (11.86) 426 (17.84) 596 (15.73)


白色 904 (7.37) 1229 (7.31) 2133 (7.34)


其他 49 (4.25) 70 (2.45) 119 (3.09)

收入(美元)


< 20000 258 (15.13) 506 (17.38) 764 (16.58)


20000 - 34999 189 (11.02) 302 (11.73) 491 (11.48)


35000 - 49999 180 (11.74) 336 (12.74) 516 (12.39)


50000 - 74999 257 (17.44) 392 (17.98) 649 (17.79)


≥75000 547 (43.66) 880 (39.67) 1427 (41.08)

教育


还不到高中学历 90 (7.01) 183 (8.25) 273 (7.81)


高中毕业生 251 (19.69) 454 (23.09) 705 (21.89)


一些大学 415 (38.61) 666 (37.82) 1081 (38.10)


学士学位 358 (19.97) 621 (17.32) 979 (18.26)


Postbaccalaureate 285 (12.05) 399 (10.70) 684 (11.18)
数字的因素

曾经使用过互联网 1187 (87.09) 1961 (85.09) 3148 (85.80)

拥有平板电脑或智能手机 1210 (87.63) 2029 (88.58) 3239 (88.25)
健康因素

有保险 1352 (90.43) 2252 (89.42) 3604 (89.78)

有一个固定的提供者 1046 (69.60) 1582 (56.91) 2628 (61.39)

是一个照顾者 198 (14.53) 378 (16.66) 576 (15.91)

慢性病人数


0 506 (42.58) 922 (45.45) 1428 (44.44)


1 356 (20.76) 550 (18.98) 906 (19.61)


2 335 (20.58) 560 (21.88) 895 (21.42)


≥3 229 (15.71) 362 (12.79) 591 (13.82)
结果

与提供者的电子通信 659 (48.22) 1141 (45.61) 1800 (46.53)

以电子方式预约 680 (48.78) 1211 (48.73) 1891 (48.75)

电子方式查看测试结果 634 (45.67) 995 (39.42) 1629 (41.63)

曾经访问过他们的病人传送门 605 (41.18) 948 (38.57) 1553 (39.49)

患者门户向提供者发送消息c 350 (57.85) 570 (60.13) 920 (59.24)

患者门户查看测试结果c 530 (87.60) 819 (86.39) 1349 (86.53)

患者门户下载健康记录c 171 (28.26) 284 (29.95) 455 (29.30)

一个每个变量的缺失数据小于10%。

b百分比是用加权数据来计算的,以代表美国人口。

c只向访问过患者门户的人询问患者门户任务。因此,报告的比例仅来自那些报告曾经访问过患者门户的人。

大流行的影响

所有双变量模型和多变量分析显示在多媒体附录2而且3.,分别。在调整后的分析中,年龄较大、收入较低、受教育程度较低以及种族/少数民族群体与使用互联网的几率较低相关(多媒体).其他结果在年龄、收入和教育程度方面也有相同的模式,但研究结果因种族/民族而异(多媒体).

在考虑其他变量后,大流行变量仅对使用电子手段与提供者通信有意义。大流行后受访者的比值较高(调整后比值比[aOR] 1.99, 95% CI 1.18-3.35;P= . 01;看到多媒体)使用电子手段与提供者沟通的情况比大流行前时期的反应更严重。

大流行变量与4个社会人口统计学变量(年龄、种族/民族、教育程度和收入)之间的相互作用仅对2个结果显著:是否使用互联网和与提供者进行电子通信(见多媒体.).这些重要的相互作用显示在图1而且2

关于与互联网使用相关的结果,大流行变量与收入之间存在显著的相互作用(见图1).具体而言,收入≥7.5万美元组的受访者在大流行后使用互联网的几率增加,这与收入< 2万美元组有显著差异(P= .02点)。

在教育程度最高的群体(学士学位后)中,与提供者进行电子通信的使用明显增加。如在图2(详情见多媒体),受教育程度最高的群体(学士学位后)执行这项数字任务的几率明显高于拥有学士学位的群体(P=.02)和高中学历(P= . 01)。与受过一定大学教育的组相比,也有更大的增长趋势(aOR 0.54, 95% CI 0.27-1.06),但这一结果在统计学上不显著(P= . 07)。在受教育程度最高的群体中,与提供者使用电子通信的增长与报告受教育程度低于高中的受访者在执行这项任务时所看到的模式没有显著差异(P= .80)。

图1。收入群体在大流行之前(前)和之后(后)使用过互联网的比例(以美元计)。
查看此图
图2。在大流行之前(前)和之后(后),不同教育群体与提供者使用电子通信的几率。Bacc:学士学位;HS:高中;Postbacc: postbaccalaureate。
查看此图

主要研究结果

总体而言,我们发现大流行如何影响互联网使用、使用数字工具与临床医生沟通或安排预约,以及患者门户网站的使用,结果不一。就大多数结果而言,在大流行的前几个月,大流行前后没有显著差异,在采用数字卫生工具方面的差异也没有显著变化。

与先前的文献一致,我们确实发现,有数字排斥史的人群(年龄较大、收入较低、受教育程度较低和种族/少数民族群体)使用互联网和各种数字健康工具的几率仍然较低。自大流行开始以来,这些差异,特别是在远程医疗使用方面,已多次被记录在案[24-29].然而,与大多数其他研究不同的是,我们没有研究远程医疗的使用。在之前的研究中,我们发现1种数字健康工具的可访问性和使用并不能转化为其他工具[4];也就是说,关于远程医疗使用差异的经验教训可能不适用于患者门户使用或基于网络的通信和调度工具的使用差异。通过关注基于网络的日程安排、电子通信和患者门户使用工具(这些工具在大流行前后都相对广泛使用),我们能够探索大流行如何立即改变这些工具的使用,以及使用这些数字工具的差异是否增加或减少。这种对大流行前后非远程医疗数字卫生技术差异的比较不同于许多文献,这些文献在很大程度上只静态地介绍了大流行后远程医疗使用方面的差异。

考虑到这一重点,我们确实发现,在大流行之后,在调整其他因素后,与提供者使用电子通信的总体几率增加了。这一发现的原因之一可能是医疗保险和医疗补助服务中心制定的鼓励使用远程医疗的政策[30.31]创造了一个数字医疗环境,使所有人都更容易获得电子通信。或者,它也可能表明,向远程保健的转变使所有个人,包括那些以前没有与临床医生使用电子通信的人,更有必要或更重要地使用这些电信工具来寻求医疗保健或医疗专业人员的建议。

关于这些数字工具的使用差异如何立即受到公共卫生紧急情况的影响,我们的研究有不同的发现。大流行开始后,最高收入群体(≥7.5万美元)使用过互联网的人数增长率高于最低收入群体(< 2万美元),这表明收入群体之间的差距在扩大。这一发现可能反映出高收入者比低收入者更有可能从事可以通过互联网远程完成的工作[32].皮尤研究中心2019年的一项调查显示,年收入7.5万美元的受访者中有98%使用互联网,而收入低于3万美元的受访者中这一比例为82%;考虑到高收入家庭的互联网使用率已经很高,在高收入家庭中,似乎没有什么额外增长的空间。这一发现加强了确保减轻低收入家庭接入互联网的结构性障碍的必要性[7].

与收入群体的调查结果相反,不同教育水平的群体之间的差距正在缩小。受教育程度最低的受访者(低于高中)和受教育程度最高的受访者(毕业后)与医生使用电子通信工具(如智能手机、互联网和电子邮件)的增长率相似。然而,学士学位持有者和高中毕业生在大流行后与医生使用电子通信的几率有所下降,这与受教育程度最高的群体存在显著差异。总之,这些发现表明,尽管在与临床医生使用电子通信方面的一些差距正在缩小,但其他差距正在扩大。值得强调的是,从教育程度的角度来看(低于高中教育),相对于大多数其他受访者,最脆弱的群体在与临床医生使用电子通信工具方面有更大的增长,这违背了创新传播最缓慢到最弱势群体的常见模式。

鉴于医疗保健迅速转向远程医疗环境[1],我们假设在大流行之后,在我们的大多数与使用数字工具完成医疗任务相关的结果中,不公平现象会加剧。然而,除了受访者表示曾使用互联网或使用电子方式与医疗服务提供者沟通外,我们几乎没有什么重要发现。由于这些数据来自大流行早期,这两项数字任务可能是人们如何适应日益数字化的医疗保健生态系统的最早指标。我们预计,随着更多数据的可用,我们可能会看到其他数字健康技术的使用发生更多变化,包括本研究中评估的那些技术,以及远程医疗或远程患者监护等其他工具。虽然我们在某种程度上感到放心的是,在大流行的早期,这些数据并不表明较有利和较不利人口之间的不平等持续扩大[26833],我们还认为,在大流行后期,一旦卫生保健团队和患者更习惯于远程执行更多卫生保健任务,就有必要重新评估这些结果。研究人员已证明,在COVID-19大流行开始时立即使用远程医疗并不能反映远程医疗使用的更长期模式[34].我们怀疑其他数字医疗技术也可能出现类似的模式。

我们认为有必要特别强调的是,我们发现任何患者门户任务都没有变化,尽管患者门户是卫生系统采用的主要数字健康工具,以提高患者参与度和护理可及性。许多卫生保健系统已经建立了患者门户,并试图在大流行期间使用其患者门户来满足卫生保健需求;然而,研究一再表明使用患者门户存在重大障碍,包括缺乏技术技能、可用性、隐私问题以及缺乏医生鼓励[3536].这项研究表明,即使在使用患者门户网站可能更为重要的环境中,患者门户网站产品也没有在大流行早期满足患者的需求;多个医疗保健系统发现,当他们使用患者门户网站来满足与covid -19相关的医疗需求(检测和疫苗接种)时,医疗服务的获取不公平[37].自大流行开始以来,患者门户产品已试图变得更加以患者为中心[38],卫生保健小组已加大努力,改善历史上被排斥人群的就医机会[39];未来的研究应评估这些努力是否具有减少患者门静脉使用差异的预期影响。

限制

这项研究有几个局限性。由于2020年hint答复是在2020年2月至6月的5个月期间收集的,因此结果仅反映了大流行的早期影响。此外,大多数结果问题询问了过去12个月的电子通信,因此结果可能对大流行导致的即时行为变化不太敏感。对于患者门户相关结果,样本量仅限于访问患者门户的受访者;因此,可能没有足够的能力来检测患者门静脉使用的统计学显著变化。虽然调查权重的设计是为了将这些数据外推到美国人口,但由于一些亚组的样本量有限,可能没有足够的可变性来准确评估结果。例如,大流行后组中的所有亚洲个体都报告使用患者门户网站查看检测结果(多媒体),显示“提示”受访者的多样性不足,有关结果应谨慎考虑[40].此外,一些研究表明,大流行后调查的受访者不同于大流行前调查的受访者,因此,在将本次调查的受访者与之前暗示周期的受访者进行比较时,必须谨慎[41].不过,我们可以放心的是,这次提示周期的回应率与往年相似[14].尽管存在这些局限性,但这项研究通过评估大流行期间数字卫生工具使用的早期变化,并明确关注历史上被排斥人群的使用变化,为文献增加了价值。

结论

我们的研究发现,在大流行早期,数字卫生工具的使用没有普遍增加,数字卫生工具的使用也没有出现差距。虽然这些数据仅来自大流行的前3个月,但我们确实发现大流行后与提供者使用电子通信的几率有所增加,并且关于群体之间在使用数字卫生方面预先存在的不平等是否有所增加,我们得到了一些混合结果。尽管卫生保健系统依赖患者门户网站来增加患者访问和参与,但在大流行的早期阶段,我们没有看到患者门户网站的使用发生变化。这些大流行的早期数据表明,有必要明确研究广泛的数字卫生保健相关任务。使用1个数字任务的变化可能不会转化为其他与医疗保健相关的数字任务。

致谢

我们感谢Charles McCulloch对这项研究的建议。本出版物中报道的研究得到了美国国立卫生研究院(NIH)国家心肺和血液研究所的支持,奖励为K12HL138046和K23HL157750 (ECK);美国国立卫生研究院国家转化科学推进中心,获得KL2TR001870 (ECK);以及美国国立卫生研究院国家癌症研究所K24CA212294(美国)。内容仅为作者的责任,并不代表NIH的官方观点。

作者的贡献

BZ对研究的概念和设计、数据分析和起草工作做出了贡献。NAR对研究的设计、数据的解释和批判性的修订工作做出了贡献。AW对数据分析和工作起草做出了贡献。美国对数据的解释做出了贡献,并对工作进行了批判性的修订。ECK对研究的概念和设计、数据的解释以及对工作的批判性修订做出了贡献。所有作者都同意了手稿的最终版本。

利益冲突

美国获得了来自AppliedVR、InquisitHealth、RecoverX和Somnology(研究合同)的资助。她还获得了医生公司(捐赠)、美国医学协会公平与创新咨询小组(酬金)和Hopelab(赠款)的资助。

多媒体附件1

调查问题和结果变量。

DOCX文件,14kb

多媒体附件2

未调整的双变量模型。

XLSX文件(Microsoft Excel文件),15kb

多媒体

多变量模型。

XLSX文件(Microsoft Excel文件),18kb

  1. Peek N, Sujan M, Scott P.大流行时期的数字卫生和护理:COVID-19的影响。BMJ Health Care Inform 2020年6月21日;27(1):e100166 [免费全文] [CrossRef] [Medline
  2. Lyles CR, Wachter RM, Sarkar U.专注于数字卫生公平。美国医学杂志2021年12月9日;326(18):1795-1796。[CrossRef] [Medline
  3. Mitchell UA, Chebli PG, Ruggiero L, Muramatsu N.健康相关技术使用中的数字鸿沟:种族/民族的意义。老年病学2019年1月09日;59(1):6-14。[CrossRef] [Medline
  4. Khoong EC, Rivadeneira NA, Hiatt RA, Sarkar U.在多语言城市队列中使用技术与临床医生沟通或寻求健康信息:横断面调查。J Med Internet Res 2020 april 06;22(4):e16951 [免费全文] [CrossRef] [Medline
  5. Yoon H, Jang Y, Vaughan PW, Garcia M.老年人对健康信息的互联网使用:种族/民族和社会经济地位的数字鸿沟。中国老年医学杂志2020年1月;39(1):105-110。[CrossRef] [Medline
  6. 席克CJ, Sheon A, Ancker JS, Castek J, Callahan B, Siefer A.数字包容对健康的社会决定因素。NPJ数字医学2021年3月17日;4(1):52 [免费全文] [CrossRef] [Medline
  7. 罗德里格斯JA,克拉克CR,贝茨DW。数字卫生公平是21世纪治愈法案时代的必要条件。JAMA 2020 7月16日;323(23):2381-2382。[CrossRef] [Medline
  8. Lee P, Abernethy A, Shaywitz D, Gundlapalli A, Weinstein J, Doraiswamy PM,等。2019冠状病毒病影响评估:经验教训和迫切需求。NAM展望2022年1月18日;2022年[免费全文] [CrossRef] [Medline
  9. Hesse BW, Nelson DE, Kreps GL, Croyle RT, Arora NK, Rimer BK,等。卫生信息的信任和来源:互联网的影响及其对卫生保健提供者的影响:第一次卫生信息全国趋势调查的结果。Arch Intern Med 2005; 26(4): 418 - 424。[CrossRef] [Medline
  10. 关于提示。国家癌症研究所。URL:https://hints.cancer.gov/about-hints/learn-more-about-hints.aspx[2021-05-04]访问
  11. Davies AR, Honeyman M, Gann B.在COVID-19时期解决数字逆向护理法:数字技术加剧或缓解健康不平等的潜力J Med Internet Res 2021 april 07;23(4):e21726 [免费全文] [CrossRef] [Medline
  12. Mackert M, Mabry-Flynn A, Champlin S, Donovan EE, Pounders K.健康素养和健康信息技术采用:新的数字鸿沟的潜力。J Med Internet Res 2016 Oct 04;18(10):e264 [免费全文] [CrossRef] [Medline
  13. Gordon NP, Hornbrook MC.基于种族、民族和年龄的患者门户和其他电子健康技术的访问和使用偏好差异:大型健康计划中老年人的数据库和调查研究。J Med Internet Res 2016年3月04日;18(3):e50。[CrossRef] [Medline
  14. 卫生信息全国趋势调查5(暗示5)第4周期方法报告。美国国家癌症研究所,2020年12月https://hints.cancer.gov/docs/methodologyreports/HINTS5_Cycle4_MethodologyReport.pdf[2022-08-31]访问
  15. Irizarry T, DeVito Dabbs A, Curran CR.患者入口和患者参与:一项科学综述。J Med Internet Res 2015 july 23;17(6):e148 [免费全文] [CrossRef] [Medline
  16. Sarkar U, Karter AJ, Liu JY, Adler NE, Nguyen R, López A,等。糖尿病患者使用互联网门户网站的社会差异:数字鸿沟超出访问范围的证据。美国医学信息学会2011年5月01日;18(3):318-321 [免费全文] [CrossRef] [Medline
  17. Tarver WL, Menser T, Hesse BW, Johnson TJ, Beckjord E, Ford EW,等。患者-提供者互联网通信的增长动态:使用卫生信息全国趋势调查的趋势分析(2003年至2013年)。J Med Internet Res 2018年3月29日;20(3):e109 [免费全文] [CrossRef] [Medline
  18. 班格特LR,格里芬J,哈登K,鲁顿LJ。家庭照顾者的健康信息寻求行为:健康信息全国趋势调查分析。JMIR老化2019年1月14日;2(1):e11237 [免费全文] [CrossRef] [Medline
  19. 拉姆利T.调查:对复杂调查样本的分析。综合R档案网络,2021年7月19日。URL:https://CRAN.R-project.org/package=survey[2022-08-31]访问
  20. Lenth RV, Buerkner P, Herve M, Jung M, Love J, Miguez F, et al. emmeans:估计边际均值,又名最小二乘均值。综合R档案网络。2021。URL:https://CRAN.R-project.org/package=emmeans[2021-05-26]访问
  21. Wickham H, Chang W, Henry L, Pedersen TL, Takahashi K, Wilke C, RStudio。Ggplot2:使用图形语法创建优雅的数据可视化。综合R档案网络。2020。URL:https://CRAN.R-project.org/package=ggplot2[2021-05-26]访问
  22. Rothman KJ。多次比较不需要调整。流行病学1991,1(1):43-46。[Medline
  23. Perneger电视。Bonferroni调整有什么问题。BMJ 1998 5月18日;316(7139):1236-1238 [免费全文] [CrossRef] [Medline
  24. Nouri S, Khoong EC, Lyles CR, Karliner L.在COVID-19大流行期间解决远程医疗在慢性疾病管理中的公平性问题。NEJM Catal创新护理交付2020年5月04日[免费全文
  25. 胡晓东,张志强,张志强,等。多语言城市安全网络系统中患者对远程医疗视频访问的兴趣和障碍。J Am Med Inform association 2021年2月15日;28(2):349-353 [免费全文] [CrossRef] [Medline
  26. Rodriguez JA, Betancourt JR, Sequist TD, Ganguli I. COVID-19大流行期间电话和视频远程医疗访问使用的差异。Am J Manag Care 2021年1月;27(1):21-26 [免费全文] [CrossRef] [Medline
  27. 赵Chunara R, Y,陈J, K,劳伦斯甲壳PA, 11月啊,等。远程医疗和医疗保健差异:COVID-19期间纽约市一个大型医疗保健系统的队列研究。J Am Med Inform association 2021年1月15日;28(1):33-41 [免费全文] [CrossRef] [Medline
  28. Ruberto RA, Schweppe EA, Ahmed R, Swindell HW, Cordero CA, Lanham NS,等。COVID-19大流行期间远程医疗利用的差异:来自大型学术骨科实践的人口数据分析JB JS Open Access 2022 04月08日;7(2):e21.00116 [免费全文] [CrossRef] [Medline
  29. Chang JE, Lai AY, Gupta A, Nguyen AM, Berry CA, Shelley DR.向远程医疗的快速过渡和数字鸿沟:对后covid时代初级保健获取和公平的影响Milbank Q 2021 Jun;99(2):340-368 [免费全文] [CrossRef] [Medline
  30. Patel SY, Mehrotra A, Huskamp HA, Uscher-Pines L, Ganguli I, Barnett ML.美国COVID-19大流行期间门诊护理和远程医疗的趋势。JAMA实习生医学2021年3月1日;181(3):388-391 [免费全文] [CrossRef] [Medline
  31. 关于COVID-19全国突发公共卫生事件期间远程医疗远程通信执法裁量权的通知。美国卫生与人类服务部,2021年1月20日。URL:https://www.hhs.gov/hipaa/for-professionals/special-topics/emergency-preparedness/notification-enforcement-discretion-telehealth/index.html[2021-12-16]访问
  32. Bonacini L, Gallo G, Scicchitano S.在家工作和收入不平等:COVID-19“新常态”的风险。《大众经济》2021年9月12日;34(1):303-360 [免费全文] [CrossRef] [Medline
  33. 史密斯B,马格纳尼JW。新技术,新差距:电子健康和数字健康素养的交叉。国际心血管杂志2019年10月01日;292:280-282 [免费全文] [CrossRef] [Medline
  34. 门诊远程医疗使用量在COVID-19大流行早期飙升,但此后有所下降。彼得森- kff卫生系统跟踪器,2022年2月10日。URL:https://www.healthsystemtracker.org/brief/outpatient-telehealth-use-soared-early-in-the-covid-19-pandemic-but-has-since-receded/[2022-07-24]访问
  35. Anthony DL, Campos-Castillo C, Lim PS.谁没有使用病人传送门,为什么?证据和影响来自美国成年人的全国样本。卫生Aff (Millwood) 2018年12月;37(12):1948-1954。[CrossRef] [Medline
  36. 张晓东,刘志刚,张志刚,张志刚,张志刚。患者门静脉障碍和组间差异:横断面全国调查研究。J Med Internet Res 2020年9月17日;22(9):e18870 [免费全文] [CrossRef] [Medline
  37. Stern RJ, Rafferty HF, Robert AC, Taniguchi C, Gregory B, Khoong EC,等。在COVID-19负担高的社区集中接种疫苗。NEJM Catal创新护理交付2021年4月06日[免费全文
  38. COVID-19医疗保健是患者门户的用例吗?PatientEngagementHIT。2020年9月18日。URL:https://patientengagementhit.com/features/was-covid-19-healthcares-use-case-for-the-patient-portal[2022-07-24]访问
  39. Craig S, Madu CR, Dalembert G.绝不浪费大流行:应用以公平为中心的质量改进框架来缩小患者门户激活方面的差距。儿科学2021 Mar 01;147(3_meeting摘要):674-675 [免费全文
  40. Shimkhada R, Scheitler AJ, Ponce NA。在基于人口的调查中捕捉种族/民族多样性:亚裔美国人、夏威夷原住民和太平洋岛民(AANHPIs)健康数据的数据分解。人口Res政策2021年1月16日;40(1):81-102。[CrossRef
  41. 大流行如何影响调查反应:使用行政数据评估当前人口调查年度社会和经济补编中的无反应。美国人口普查局,2021年10月8日。URL:https://www.census.gov/newsroom/blogs/research-matters/2020/09/pandemic-affect-survey-response.html[2022-07-24]访问


优势:调整优势比
提示:卫生信息全国趋势调查


C Basch编辑;提交19.12.21;C Campos-Castillo、K Lawrence的同行评议;对作者21.01.22的评论;修订版本收到02.05.22;接受26.08.22;发表19.09.22

版权

©Billy Zeng, Natalie A Rivadeneira, Anita Wen, Urmimala Sarkar, Elaine C Khoong。最初发表于《医疗互联网研究杂志》(//www.mybigtv.com), 2022年9月19日。

这是一篇开放获取的文章,根据创作共用署名许可(https://creativecommons.org/licenses/by/4.0/)的条款发布,允许在任何媒介上无限制地使用、分发和复制,前提是正确引用最初发表在《医学互联网研究杂志》上的原创作品。必须包括完整的书目信息,//www.mybigtv.com/上的原始出版物的链接,以及此版权和许可信息。


Baidu
map