使用异步消息促进远程患者监测中的参与

文献标题

促进通过异步消息提升远程患者监测中的参与度

文献信息

• 主题领域: 人机交互、远程医疗、数字健康
• 关键词: 远程患者监测, 异步消息, 疾病管理, 数据质量, 病人参与, COVID-19
• 会议: CHI ’24 (Human Factors in Computing Systems)

研究背景与问题

• 作者发现了哪些问题或挑战？

  • 尽管远程患者监测具有广泛的潜力，但它可能削弱医患之间的沟通，使患者感到不确定或未受到重视。
  • 患者可能对平台的界面或技术感到不适，导致数据质量下降。
  • 随着时间推移，患者可能失去上传健康数据的动力，影响参与以及长期数据收集。

• 为什么这个问题很重要？

  • 远程患者监测减少了患者和医生的时间成本和财务负担，有助于优化急性医疗资源利用。
  • 新冠疫情期间医疗资源紧张，需要更好的工具支持患者康复监测，降低医院负担。

• 研究动机与相关工作

  • 与相关远程监测平台相比，本研究关注异步消息对患者、医生和研究人员之间沟通的正面影响。
  • 异步消息功能虽然在某些电子健康记录系统中存在，但鲜有研究深入分析其在远程监测平台中的具体机制及效益。

解决方案

• 作者提出了哪些方法或解决方案？

  • COVIDFree@Home 平台集成了异步消息功能，同时允许医生监控患者的症状和生命体征。
  • 使用用户发起的消息进行主题分析，评定消息功能如何增强协议遵守、支持患者交流健康问题，以及让医生传达关爱。

• 该解决方案的创新之处是什么？

  • 异步消息不仅改善了医患之间的沟通，还直接促使数据更高效、更准确地被收集，从而提升机器学习模型的预测性能。
  • 特别设计的消息界面降低了医生的负担，同时为患者提供了个性化反馈渠道。

• 实施步骤——使用了哪些关键技术？

  1. 平台设计: 为患者和医生分别设计了手机应用及基于网络的仪表盘，以便于数据输入及消息交流。
  2. 消息功能使用统计: 详细分析消息发送的时间分布及互动模式。
  3. 主题分析: 应用开编码法对消息内容分类，发现交流模式及主题。
  4. 机器学习分析: 使用基于少量样本学习的体制，展示消息驱动的数据修正如何改进预测模型。

研究成果

• 取得了哪些具体成果？

  • 异步消息功能促进了患者与医生之间的沟通，同时为平台添加了情感支持层面。
  • 平台共支持359名患者，其中16名需升级护理。
  • 使用异步特性记录了数据问题并进行修正，显著增强了数据完整性。

• 与现有解决方案相比，它有哪些优势？

  • 异步消息功能能灵活安排医生响应，提高患者的数据提供率。
  • 与传统电话或面对面沟通相比，异步消息降低了时间同步要求。
  • 消息功能直接记录并链接到患者的问题，支持及时发现设备故障及数据错误。

• 实验或评估结果是什么？

  • 数据修正显著提升基于机器学习的住院预测模型的性能：AUROC从0.53提升至0.59。
  • 消息交流促进发现设备故障及数据录入错误，降低了研究中的数据质量问题。

• 局限性与未来方向

  • 此研究主要在北美一个大都市地区进行，国际适用性尚未验证。
  • 数据偏向轻症患者，可能影响模型适用于更广泛的医疗需求场景。
  • 未来研究可以探索异步消息功能对不同人口结构及文化环境中的患者和医生互动的适用性。

附录与示例信息

• 示例消息内容:
  • 从医生发出:
    • “您的氧饱和度非常低，请再测量几次并上传。”
    • “您好，怎么今天没有提交信息？有问题请随时联系我。”
  • 从患者发出:
    • “我是否应该担心氧气读数低于92？”
    • “我感觉好多了，我是否可以停止上传数据？”