مریض کی شمولیت کی مستقل مزاجی کی شرح

مریض کی شمولیت کی مستقل مزاجی کی شرح اس بات کو ناپتی ہے کہ ایک رجسٹرڈ مریض وقت کے ساتھ کتنی باقاعدگی سے ایک ڈیجیٹل ہیلتھ پروڈکٹ کے ساتھ تعامل کرتا ہے — مثلاً خوراک یا علامات لاگ کرنا، جسمانی سرگرمی ریکارڈ کرنا، یا صحت کا ڈیٹا دیکھنا — نہ کہ صرف یہ کہ آیا اس نے اسے کبھی استعمال کیا ہے۔ یہ ایک طولانی میٹرک ہے، ایک لمحے کے فعال-استعمال شمار سے مختلف: دو مریضوں کی بالکل ایک جیسی "اس مہینے ایپ استعمال کی" حیثیت ہو سکتی ہے جبکہ ایک روزانہ مستقل طور پر لاگ کرتا ہے اور دوسرا ایک بار لاگ کر کے تین ہفتوں کے لیے غائب ہو جاتا ہے، اور صرف مستقل مزاجی کا میٹرک ان دونوں میں فرق کرتا ہے۔

یہ کیوں اہم ہے

ایک ڈیجیٹل ہیلتھ ٹول کے ساتھ پائیدار، باقاعدہ تعامل طبی فائدے کے سب سے قابل اعتماد پیشگی اشاروں میں سے ایک ہے، خاص طور پر ذیابیطس، وزن کے انتظام، اور ذہنی صحت جیسے رویے پر منحصر حالات کے لیے، جہاں ٹول کی قدر اس عادت سے آتی ہے جس کی یہ حمایت کرتا ہے، کسی ایک سیشن سے نہیں۔ ایک پروڈکٹ ایک صحت مند ماہانہ فعال صارف کی تعداد رپورٹ کر سکتا ہے جبکہ درحقیقت ایسی آبادی کی خدمت کر رہا ہے جو ایک بار لاگ ان کرتی ہے اور دور ہو جاتی ہے، کیونکہ ماہانہ فعال استعمال ایک کم معیار ہے جو مہینے کے اندر استعمال کے پیٹرن کے بارے میں کچھ نہیں بتاتا؛ مستقل مزاجی کے میٹرکس اسے ایسے طریقے سے پکڑتے ہیں جو سادہ سرگرمی کی گنتی نہیں کر سکتی۔ چونکہ مستقل مزاجی بھی ہفتوں کی بجائے مہینوں میں برقرار رکھنے کے لیے مشکل چیزوں میں سے ایک ہے، یہ پروڈکٹ کے معیار اور طبی مناسبت کا ایک زیادہ ایماندار اشارہ ہے ان مختصر-ونڈو شمولیت کے اعداد و شمار کے مقابلے میں، جو داخلے کے فوراً بعد نئے پن کے اثرات کا شکار ہوتے ہیں۔

اسے کیسے شمار کیا جاتا ہے

شمولیت کی مستقل مزاجی کی شرح = کم از کم ایک اہل تعامل والے
                               ہفتے / مجموعی رجسٹرڈ ہفتے × ۱۰۰

ایک "اہل تعامل" کو واضح اور مستقل طور پر بیان کیا جانا چاہیے
(مثلاً ایک خوراک لاگ اندراج، ایک علامات چیک-ان، یا ایک مکمل
سرگرمی سنک) — کبھی بھی کوئی غیر فعال واقعہ جیسے بغیر کسی لاگ
شدہ عمل کے ایپ کھولنا نہیں۔

ایک تقسیم کے طور پر رپورٹ کریں، صرف آبادی کی اوسط نہیں:
  مثلاً ≥ ۸۰% ہفتہ وار مستقل مزاجی والے مریضوں کا تناسب،
  ۵۰-۷۹% والا تناسب، < ۵۰% والا تناسب

عملی مثال

ایک غذائیت-رہنمائی ایپ ایک مریض کو ۱۲ ہفتوں کے لیے رجسٹر کرتی ہے۔ مریض ان ۱۲ ہفتوں میں سے ۹ ہفتوں میں کم از کم ایک اہل خوراک اندراج لاگ کرتا ہے، جو ۹ / ۱۲ × ۱۰۰ = ۷۵% کی ایک انفرادی شمولیت کی مستقل مزاجی کی شرح دیتا ہے۔ ایپ کے مکمل ۲,۰۰۰ مریضوں کے کوہورٹ میں جو کم از کم ۱۲ ہفتوں کے لیے رجسٹرڈ ہیں، ۶۰۰ مریض (۳۰%) ≥ ۸۰% ہفتہ وار مستقل مزاجی برقرار رکھتے ہیں، ۹۰۰ (۴۵%) ۵۰-۷۹% بینڈ میں آتے ہیں، اور ۵۰۰ (۲۵%) ۵۰%سے نیچے آتے ہیں۔ صرف کوہورٹ کی اوسط رپورٹ کرنا (جو تقریباً ۶۵% کے قریب ہو سکتی ہے) یہ چھپا دے گا کہ ایک مکمل چوتھائی مریض عملی طور پر بالکل شامل نہیں ہیں — ایک ایسا طبقہ جو ایک مجموعی اوسط میں پتلا کرنے کی بجائے الگ سے تحقیق کے قابل ہے۔

ڈیٹا کے ذرائع اور احتیاطیں

مستقل مزاجی کا ڈیٹا پروڈکٹ کے اپنے واقعہ لاگ سے آتا ہے (خوراک کے اندراجات، سرگرمی سنک، چیک-ان)، اور ایک "اہل تعامل" کی تعریف کا نتیجے میں آنے والی شرح پر بہت بڑا اثر ہوتا ہے — ایک آسان تعریف (کوئی بھی ایپ کھولنا) ہمیشہ ایک سخت تعریف (ایک مکمل، معنی خیز لاگ اندراج) سے بہتر نظر آئے گی، لہٰذا استعمال شدہ تعریف کو کسی بھی رپورٹ شدہ اعداد و شمار کے ساتھ واضح طور پر بیان کیا جانا چاہیے۔ خودکار طور پر سنک کردہ ڈیٹا (مثلاً ایک منسلک فٹنس ٹریکر پس منظر میں سرگرمی سنک کرتا ہے) کو دستی طور پر لاگ کردہ ڈیٹا سے الگ رپورٹ کیا جانا چاہیے، کیونکہ خودکار سنکنگ مریض کی پروڈکٹ کی رہنمائی کے ساتھ کسی بھی فعال کوشش یا شمولیت کی عکاسی کیے بغیر بظاہر مستقل مزاجی کو بڑھا سکتی ہے۔

نقصانات

ایپ کھولنے کو معنی خیز شمولیت کے ساتھ ملانا: ایک غیر فعال ایپ کھولنا (مثلاً ایک پش اطلاع سے متحرک) ایک لاگ شدہ خوراک اندراج یا مکمل چیک-ان جیسا نہیں ہے؛ صرف اہل تعامل کو بیان اور رپورٹ کریں۔
صرف آبادی کی اوسط رپورٹ کرنا: ایک صحت مند نظر آنے والی اوسط مستقل مزاجی کی شرح انتہائی شامل اور تقریباً مکمل طور پر غیر شامل مریضوں کی ایک دو رخی آبادی کو چھپا سکتی ہے؛ اوسط کی بجائے مستقل مزاجی کے بینڈز میں تقسیم رپورٹ کریں۔
رجسٹریشن کی مدت کے رقم کو نظر انداز کرنا: رجسٹریشن کی مدت کو مدنظر رکھے بغیر بہت مختلف مدت کے لیے رجسٹرڈ مریضوں کے درمیان مستقل مزاجی کی شرحوں کا موازنہ کرنا کسی بھی ایسے گروپ کی طرف متعصب ہوگا جس کے پاس ایک مختصر، برقرار رکھنے میں آسان پیمائش کی ونڈو تھی۔
خودکار پس منظر سنکنگ شرح کو بڑھا دینا: ایک غیر فعال طور پر سنک کردہ پہننے کے قابل ڈیٹا سٹریم ایک غیر شامل مریض کو ان کی طرف سے کسی بھی حقیقی رویے کی تبدیلی یا پروڈکٹ شمولیت کے بغیر مستقل طور پر فعال دکھا سکتا ہے۔

ذرائع

ڈیجیٹل ہیلتھ شمولیت کے پیٹرن اور طبی نتائج کے ساتھ ان کے تعلق پر ہم مرتبہ نظرثانی شدہ لٹریچر، جیسے Journal of Medical Internet Research (JMIR) میں شائع شدہ مطالعات
امریکن میڈیکل انفارمیٹکس ایسوسی ایشن (AMIA)، مریض-پیدا کردہ صحت کے ڈیٹا کے معیار اور شمولیت کی پیمائش پر رہنمائی
ڈیجیٹل تھیراپیوٹکس الائنس، ڈیجیٹل تھیراپیوٹکس کے لیے شمولیت اور نتیجے کی پیمائش کی بہترین عمل کی رہنمائی

مزید دیکھیں: صارف کو برقرار رکھنے کی شرح، ایک قریبی متعلقہ میٹرک کہ آیا ایک مریض بالکل رجسٹرڈ رہتا ہے، ان کی رجسٹریشن کے دوران وہ کتنی مستقل مزاجی سے شامل ہوتے ہیں اس سے مختلف۔