Volver a la biblioteca

Pregunta clave Nuevo

Procesado con IA · Aprobado por los autores

¿Cómo varían las preocupaciones de privacidad de los pacientes según el tipo de dato en aplicaciones de salud mental?

A Within-Person Privacy Calculus Perspective for Patient-Generated Health Data in Mental Health Care among Emerging Adults
Philipp Reindl-Spanner, Barbara Prommegger · International Conference on Information Systems (ICIS) · 2026

19 visualizaciones

Ilustración para: ¿Cómo varían las preocupaciones de privacidad de los pacientes según el tipo de dato en aplicaciones de salud mental?

Carga el reproductor de Spotify; Spotify puede utilizar cookies. Este dispositivo recuerda su elección.

Hallazgos clave

  • La preocupación por la privacidad varió significativamente a nivel intrasujeto entre los 21 tipos de datos de salud; los pensamientos suicidas, el rastreo de comunicaciones y el seguimiento de síntomas mostraron las mayores preocupaciones, mientras que los datos externos y de pasos registraron las menores.
  • Más allá de las disposiciones generales hacia la privacidad (CFIP: b = 0.200, p < .001), la relevancia percibida para el tratamiento se asoció positivamente con la preocupación por la privacidad a nivel intrasujeto (b = 0.248, p < .001), demostrando que los datos considerados clínicamente más útiles también se perciben como más sensibles.
  • La expectativa general de rendimiento tuvo un efecto principal negativo sobre las preocupaciones de privacidad (b = -0.123, p = .016), pero moderó positivamente la relación entre relevancia y preocupación (b = 0.046, p = .016), indicando una mayor diferenciación de privacidad guiada por la relevancia entre usuarios que esperan mayores beneficios de la aplicación.
  • Los análisis de robustez confirmaron que los diagnósticos previos de depresión, los síntomas depresivos actuales y el uso previo de aplicaciones no alteraron ni moderaron significativamente estas evaluaciones de privacidad.

Qué significa para usted

CIO / Ejecutivo de TI

Stop using blanket consent modals and direct the engineering team to implement granular, data-type-specific permission toggles for mental health apps, separating high-sensitivity inputs like suicidal thoughts and communication tracking from step data.

Director de TI

Audit your mobile app's onboarding data collection flows to ensure that users are explicitly prompted to authorize or restrict access to high-risk categories like symptom tracking and communication logs individually.

Estratega empresarial

Revise the app's value proposition messaging; because users who expect high app utility actually exhibit greater privacy sensitivity for clinically relevant data, update in-app disclosures to explicitly link how specific sensitive data inputs directly drive clinical outcomes.

Investigador

Design follow-up experimental studies that investigate why perceived treatment relevance positively correlates with heightened privacy concerns in digital mental health, controlling for the specific clinical context.

Responsable de políticas

Draft regulatory compliance guidelines that prohibit blanket consent mechanisms in digital health platforms, legally requiring apps to obtain granular, tiered consent for sensitive mental health data types such as suicidal ideation.

Resumen

Este estudio examina si las preocupaciones sobre la privacidad difieren entre tipos específicos de datos de salud generados por el paciente y cómo la utilidad del tratamiento se relaciona con dichas preocupaciones. Los autores realizaron una encuesta en línea a 439 adultos emergentes de entre 18 y 29 años, quienes evaluaron 21 tipos de datos mediante un diseño intrasujeto. Los datos se analizaron con modelos lineales de efectos mixtos para separar las disposiciones generales de privacidad de las evaluaciones específicas por tipo de dato.

Problema

Las aplicaciones de salud digital frecuentemente emplean modelos de consentimiento general que tratan todos los datos de los pacientes como uniformemente sensibles. En salud mental, las personas pueden percibir ciertas categorías de datos como mucho más reveladoras que otras, lo que genera incertidumbre sobre cómo la relevancia médica percibida influye en los riesgos de privacidad específicos de cada dato.

Transcripción
Host: Bienvenidos a A.I.S. Insights — powered by Living Knowledge. Soy Anna Ivy Summers, y hoy analizamos un estudio titulado "Una perspectiva del cálculo de privacidad intrapersonal para los datos de salud generados por el paciente en la atención de salud mental en adultos emergentes", elaborado por Philipp Reindl-Spanner y Barbara Prommegger, y presentado en la International Conference on Information Systems, ICIS, en 2026. Me acompaña nuestro analista, Alex Ian Sutherland. Alex, este estudio aborda cómo los usuarios jóvenes evalúan la privacidad de sus datos de salud según el tipo específico de información.

Expert: Hola, Anna. Así es. En el sector de la salud digital, muchas plataformas aplican modelos de consentimiento general, asumiendo que los usuarios tratan todos sus datos de salud con el mismo nivel de sensibilidad. Sin embargo, en el ámbito de la salud mental, no todas las categorías representan la misma exposición personal.

Host: ¿Cuál es el problema operativo que genera esta suposición en los productos actuales?

Expert: El problema es que solicitar un consentimiento indiscriminado de todo o nada genera fricción y desconfianza. Las aplicaciones pueden recopilar desde pasos diarios hasta registros de pensamientos o patrones de comunicación. Existe incertidumbre sobre cómo la relevancia clínica que el usuario atribuye a un dato influye en su evaluación individual del riesgo de privacidad.

Host: Para abordar esto, ¿qué metodología emplearon en el estudio?

Expert: Los autores realizaron una encuesta en línea a 439 adultos de entre 18 y 29 años. Utilizaron un diseño intrasujeto donde cada participante evaluó 21 tipos distintos de datos de salud generados por el paciente. Para el análisis, aplicaron modelos lineales de efectos mixtos, lo que permitió aislar las disposiciones generales de privacidad de las valoraciones específicas asociadas a cada dato.

Host: Revisemos los resultados principales. ¿Qué identificaron al comparar esos 21 tipos de datos?

Expert: En primer lugar, la preocupación por la privacidad varió significativamente a nivel intrasujeto. Los registros sobre pensamientos suicidas, el rastreo de comunicaciones y el seguimiento de síntomas generaron las mayores preocupaciones. En contraste, los datos sobre pasos diarios e información contextual externa registraron las menores preocupaciones.

Host: ¿Y cómo interactúa la utilidad percibida para el tratamiento con esa preocupación?

Expert: Ese es un punto central. Más allá de la disposición general hacia la privacidad de cada persona, la relevancia percibida para el tratamiento se asoció positivamente con la preocupación por la privacidad a nivel intrasujeto, con un coeficiente de 0.248 y un valor p menor a .001. Esto demuestra que los datos percibidos como más útiles clínicamente son también los percibidos como más sensibles.

Host: ¿Qué papel desempeñaron las expectativas sobre el rendimiento de la aplicación?

Expert: La expectativa general de rendimiento tuvo un efecto principal negativo sobre la preocupación por la privacidad, con un coeficiente de menos 0.123 y p de .016. Sin embargo, moderó positivamente la relación entre relevancia y preocupación, con un coeficiente de 0.046 y p de .016. Esto indica que los usuarios que esperan mayores beneficios diferencian con mayor claridad la sensibilidad de los datos según su utilidad médica. Además, los análisis de robustez confirmaron que antecedentes de depresión o el uso previo de aplicaciones no alteraron estas evaluaciones.

Host: Pasemos a las implicaciones para el negocio. ¿Qué deben considerar los líderes de producto y tecnología en salud digital?

Expert: La implicación directa es que los modelos de consentimiento binarios resultan insuficientes. Las empresas deben diseñar arquitecturas de consentimiento granular y escalonado. Dado que los usuarios reconocen el valor terapéutico de los datos más delicados, las organizaciones deben comunicar con precisión técnica por qué se requiere cada dato y qué protección específica recibe, permitiendo al usuario decidir qué compartir sin bloquear el uso general de la plataforma.

Host: Adaptar las interfaces a estas distinciones puede mejorar la retención y la confianza del usuario. Muchas gracias por compartir este análisis, Alex.

Expert: Gracias a ti, Anna.

Host: A nuestra audiencia, gracias por sintonizar A.I.S. Insights — powered by Living Knowledge. Hasta la próxima entrega.
Artificial Intelligence & Automation Information Systems & Management Human-Computer Interaction Data Analytics & Big Data Digital Transformation & Strategy Cybersecurity & Privacy Cloud & Infrastructure E-Commerce & Digital Platforms Operations & Supply Chain Sustainability & Green IS

Patient-generated health data, Privacy calculus, Privacy concerns, Mental health care, Perceived treatment relevance, Performance expectancy