Prediction of the acceptance of telemedicine among rheumatic patients: a machine learning-powered secondary analysis of German survey data

Telemedicine (TM) has augmented healthcare by enabling remote consultations, diagnosis, treatment, and monitoring of patients, thereby improving healthcare access and patient outcomes. However, successful adoption of TM depends on user acceptance, which is influenced by technical, socioeconomic, and health-related factors. Leveraging machine learning (ML) to accurately predict these adoption factors can greatly contribute to the effective utilization of TM in healthcare. The objective of the study was to compare 12 ML algorithms for predicting willingness to use TM (TM try) among patients with rheumatic and musculoskeletal diseases (RMDs) and identify key contributing features. We conducted a secondary analysis of RMD patient data from a German nationwide cross-sectional survey. Twelve ML algorithms, including logistic regression, random forest, extreme gradient boosting (XGBoost), and neural network (deep learning) were tested on a subset of the dataset, with the inclusion of only RMD patients who answered "yes" or "no" to TM try. Nested cross-validation was used for each model. The best-performing model was selected based on area under the receiver operator characteristic (AUROC). For the best-performing model, a multinomial/multiclass ML approach was undertaken with the consideration of the three following classes: "yes", "no", "do not know/not answered". Both one-vs-one and one-vs-rest strategies were considered. The feature importance was investigated using Shapley additive explanation (SHAP). A total of 438 RMD patients were included, with 26.5% of them willing to try TM, 40.6% not willing, and 32.9% undecided (missing answer or "do not know answer"). This dataset was used to train and test ML models. The mean accuracy of the 12 ML models ranged from 0.69 to 0.83, while the mean AUROC ranged from 0.79 to 0.90. The XGBoost model produced better results compared with the other models, with a sensitivity of 70%, specificity of 91% and positive predictive value of 84%. The most important predictors of TM try were the possibility that TM services were offered by a rheumatologist, prior TM knowledge, age, self-reported health status, Internet access at home and type of RMD diseases. For instance, for the yes vs. no classification, not wishing that TM services were offered by a rheumatologist, self-reporting a bad health status and being aged 60-69 years directed the model toward not wanting to try TM. By contrast, having Internet access at home and wishing that TM services were offered by a rheumatologist directed toward TM try. Our findings have significant implications for primary care, in particular for healthcare professionals aiming to implement TM effectively in their clinical routine. By understanding the key factors influencing patients' acceptance of TM, such as their expressed desire for TM services provided by a rheumatologist, self-reported health status, availability of home Internet access, and age, healthcare professionals can tailor their strategies to maximize the adoption and utilization of TM, ultimately improving healthcare outcomes for RMD patients. Our findings are of high interest for both clinical and medical teaching practice to fit changing health needs caused by the growing number of complex and chronically ill patients.

[With RheMIT rheumatology centers can participate in the German national database-Expansion of the long-term rheumatological documentation]

The national database (NDB) of the German regional collaborative rheumatology centers was switched to the RheMIT documentation software last year. Rheumatology centers that already use RheMIT for care contracts or other research projects can therefore use the software to also participate in the NDB. Experiences from a hospital, a medical care center and a specialist practice show how the changeover to RheMIT from an existing documentation system or a new participation in the NDB with RheMIT can be implemented. The NDB team at the German Rheumatism Research Center in Berlin (DRFZ) welcomes new participating rheumatology centers.

[Identification of rheumatological health apps in the Apple app store applying the "semiautomatic retrospective app store analysis" method : A longitudinal observation]

Hintergrund

Die App Stores von Apple und Google bieten eine Vielzahl von Gesundheits-Apps an. Das Auffinden qualitativ hochwertiger Apps ist immer noch eine Herausforderung.

Fragestellung

Lassen sich unter Anwendung der SARASA(„semiautomated retrospective App Store analysis“)-Methode für das Fachgebiet Rheumatologie deutschsprachige Apps identifizieren?

Material und Methode

SARASA ist eine Methode zur teilautomatisierten Auswahl und Charakterisierung von App Store-gelisteten Apps nach formalen Kriterien. Nach der ersten Anwendung in 02/2018 wurde SARASA 02/2020 erneut auf den Apple App Store angewendet.

Ergebnisse

In 02/2018 konnten für Apps in den Store-Kategorien „Medizin“ oder „Gesundheit und Fitness“ Metadaten zu 103.046 Apps und bei einer erneuten Erhebung in 02/2020 Daten zu 94.735 Apps über das deutsche Frontend des Apple App Stores ausgelesen werden. Im Jahr 2018 wurden nach Anwendung der Suchbegriffe 59 Apps mit einer deutschsprachigen Beschreibung für das Fachgebiet Rheumatologie identifiziert, 2020 waren dies 53 Apps, die jeweils manuell weiter überprüft wurden; 2018 waren noch mehr der gefundenen Apps für Patienten als für Ärzte vorgesehen, dies war 2020 ausgeglichener. Zudem zeigte sich, dass bei bestimmten Krankheitsbildern von den App-Entwicklern keine Bearbeitungen erfolgten. Die prozentuale Verteilung von Treffern nach Suchbegriffen zeigte im Vergleich von 2018 zu 2020 große Schwankungen.

Diskussion

Die SARASA-Methode stellt ein hilfreiches Werkzeug dar, um Gesundheits-Apps teilautomatisiert zu identifizieren, die vordefinierten, formalen Kriterien entsprechen. Die inhaltliche Qualität muss anschließend manuell überprüft werden. Weiterentwicklungen der SARASA-Methode und die weitere Konsentierung und Standardisierung von Qualitätskriterien sind sinnvoll. Qualitätskriterien sollten beim Angebot von Gesundheits-Apps in den App-Stores berücksichtigt werden.

[Annual meeting of the German Society for Rheumatology going virtual-successfully defying the pandemic]

Hintergrund

Die COVID-19-Pandemie führte im Jahr 2020 dazu, dass der Jahreskongress der Deutschen Gesellschaft für Rheumatologie (DGRh) als „Deutscher Rheumatologiekongress virtuell“ durchgeführt wurde.

Fragestellung

Wie wird der „Deutsche Rheumatologiekongress virtuell“ angenommen und welche Optimierungsmöglichkeiten bieten sich für die Zukunft?

Material und Methode

Die registrierten Teilnehmer wurden gebeten, an einer Online-Kongressevaluation teilzunehmen.

Ergebnisse

Von 2566 Kongressteilnehmern nahmen 721 an der Evaluation teil. Die Mehrheit (80,2 %) war mit der Veranstaltung insgesamt zufrieden oder sehr zufrieden. Das Format wurde als für den kollegialen Austausch weniger geeignet angesehen. Die verwendete Technik wurde überwiegend als leicht bedienbar und problemlos zugänglich beschrieben. Die ausgewählten Themen des Kongresses entsprachen den Erwartungen von 89 % der Teilnehmer. Die präsentierten Inhalte wurden von 85,2 % der Teilnehmer als für ihre Tätigkeit relevant eingestuft. Eine deutliche Mehrheit der Teilnehmer (85,3 %) würde es begrüßen, die Kongressinhalte dauerhaft und flexibel „on demand“ abrufen zu können.

Diskussion

Insgesamt konnte ein gut akzeptiertes Format für die Durchführung des „Deutschen Rheumatologiekongresses virtuell“ gefunden werden. Optimierungsaspekte konnten aufgezeigt werden, diese können bei der Umsetzung weiterer (digitaler) Kongresse Berücksichtigung finden. Die Ergebnisse dieser Arbeit geben Aufschluss darüber, wie die DGRh virtuelle und/oder hybride Konferenzen in der Zukunft gestalten kann, um den Interessen und Wünschen der Teilnehmer zu entsprechen.