Retour à la bibliothèque

Question clé Nouveau

Traité par IA · Validé par l'auteur

Comment les préoccupations de confidentialité varient-elles selon le type de données dans les applications de santé mentale ?

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 vues

Illustration pour : Comment les préoccupations de confidentialité varient-elles selon le type de données dans les applications de santé mentale ?

Charge le lecteur Spotify ; Spotify peut déposer des cookies. Cet appareil mémorise votre choix.

Principaux résultats

  • Les préoccupations relatives à la confidentialité ont varié de manière significative au niveau intra-individuel parmi les 21 types de données, les pensées suicidaires, le suivi des communications et le suivi des symptômes suscitant les inquiétudes les plus fortes, tandis que les données externes et le nombre de pas suscitaient les plus faibles.
  • Au-delà des dispositions générales envers la confidentialité (CFIP : b = 0,200, p < 0,001), la pertinence perçue pour le traitement était positivement associée à l'inquiétude quant à la confidentialité au niveau intra-individuel (b = 0,248, p < 0,001), montrant que les données jugées plus utiles cliniquement sont également perçues comme plus sensibles.
  • L'attente générale de performance a exercé un effet principal négatif sur les préoccupations de confidentialité (b = -0,123, p = 0,016) tout en modérant positivement le lien pertinence-préoccupation (b = 0,046, p = 0,016), indiquant une différenciation de confidentialité plus marquée liée à la pertinence chez les utilisateurs espérant des bénéfices plus élevés de l'application.
  • Des tests de robustesse ont confirmé qu'un diagnostic antérieur de dépression, des symptômes dépressifs actuels et l'utilisation préalable d'applications ne modifiaient ni ne modéraient significativement ces évaluations de la confidentialité.

Ce que cela implique pour vous

DSI / Dirigeant IT

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.

Responsable informatique

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.

Stratège d'entreprise

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.

Chercheur

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.

Décideur public

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.

Résumé

Cette étude examine si les préoccupations relatives à la confidentialité diffèrent selon les types spécifiques de données de santé générées par les patients et comment l'utilité du traitement se rapporte à ces préoccupations. Les auteurs ont mené une enquête en ligne auprès de 439 jeunes adultes âgés de 18 à 29 ans ayant évalué 21 types de données selon un plan intra-individuel. Les données ont été analysées à l'aide de modèles linéaires à effets mixtes pour séparer les dispositions générales envers la confidentialité des évaluations propres à chaque type de données.

Problématique

Les applications de santé numérique s'appuient fréquemment sur des modèles de consentement général qui traitent toutes les données de santé comme uniformément sensibles. En santé mentale, les individus peuvent considérer certaines catégories de données comme nettement plus révélatrices que d'autres, ce qui crée une incertitude quant à l'impact de la pertinence clinique perçue sur les risques perçus de confidentialité.

Transcription
Host: Bonjour à tous et bienvenue dans A.I.S. Insights — powered by Living Knowledge. Je suis Anna Ivy Summers. Aujourd'hui, nous analysons une étude intitulée « Une perspective de calcul de confidentialité intra-individuelle pour les données de santé générées par les patients dans les soins de santé mentale chez les jeunes adultes ». Cette étude a été menée par Philipp Reindl-Spanner et Barbara Prommegger, et publiée dans les actes de l'International Conference on Information Systems en 2026. Elle examine si les préoccupations relatives à la confidentialité diffèrent selon les types spécifiques de données de santé et comment l'utilité du traitement se rapporte à ces préoccupations. Pour en parler, je reçois notre expert, Alex Ian Sutherland. Bonjour Alex.
Expert: Bonjour Anna.
Host: Alex, abordons directement le problème que cette étude traite. Dans la santé numérique, la plupart des applications demandent un consentement général pour toutes les données. En quoi est-ce une limite importante ?
Expert: Ce modèle classique repose sur le postulat que toutes les données de santé partagent un niveau de sensibilité identique. Or, en santé mentale, les utilisateurs n'évaluent pas toutes les données de la même façon. Par exemple, enregistrer le nombre de pas quotidiens n'implique pas le même niveau de risque perçu que consigner des pensées suicidaires ou analyser des journaux de communication. Les consentements dits « tout ou rien » créent donc une friction, car ils ignorent cette distinction intra-individuelle.
Host: Pour étudier ce comportement de manière objective, quelle a été la démarche méthodologique des auteurs ?
Expert: Les chercheurs ont réalisé une enquête en ligne auprès de 439 jeunes adultes âgés de 18 à 29 ans. Le protocole reposait sur un plan intra-individuel au cours duquel chaque participant a évalué 21 types de données distincts. L'analyse statistique a fait appel à des modèles linéaires à effets mixtes. Ce choix méthodologique est essentiel, car il permet de séparer les dispositions générales d'une personne envers la confidentialité de ses évaluations spécifiques pour chaque type de données.
Host: Quels sont les principaux constats chiffrés de l'étude ?
Expert: Premièrement, les préoccupations relatives à la vie privée varient significativement d'un type de données à l'autre au sein d'un même individu. Les pensées suicidaires, le suivi des communications et le relevé des symptômes ont généré les inquiétudes les plus fortes. En revanche, les données contextuelles externes et le nombre de pas se situent au niveau d'inquiétude le plus bas.
Host: Et comment l'utilité perçue du traitement influence-t-elle ces préoccupations ?
Expert: C'est un résultat central. Au-delà des dispositions générales envers la vie privée, mesurées par l'échelle CFIP avec un coefficient b de 0,200 et p inférieur à 0,001, la pertinence clinique perçue est positivement associée à l'inquiétude, avec un coefficient b de 0,248 et p inférieur à 0,001. Cela signifie que plus une donnée est jugée utile pour le traitement, plus elle est perçue comme sensible et risquée en matière de confidentialité.
Host: L'étude mentionne-t-elle des facteurs modérateurs ?
Expert: Oui. L'attente générale de performance diminue globalement le niveau de préoccupation, avec b égal à -0,123 et p égal à 0,016. Toutefois, elle modère aussi positivement le lien entre la pertinence et l'inquiétude, avec b égal à 0,046 et p égal à 0,016. Les personnes qui attendent le plus d'efficacité clinique différencient encore plus nettement la sensibilité des données hautement utiles. Enfin, des tests de robustesse ont confirmé qu'un diagnostic antérieur de dépression ou la sévérité actuelle des symptômes ne modifient pas significativement ces évaluations.
Host: Qu'est-ce que ces résultats impliquent concrètement pour les professionnels qui conçoivent ou déploient des solutions de santé numérique ?
Expert: Pour les entreprises, le principal enseignement est qu'il faut abandonner les formulaires de consentement uniformes au profit d'architectures de consentement graduées. Demander un accès immédiat à des données très sensibles, comme les communications, peut conduire à l'abandon du service. Les concepteurs doivent contextualiser la collecte : expliquer pourquoi une donnée précise est pertinente au moment où elle est requise, et laisser la possibilité de refuser certaines catégories hautement sensibles sans bloquer l'usage des fonctions de base.
Host: En somme, aligner la collecte de données sur la sensibilité perçue permet d'optimiser l'engagement des utilisateurs tout en respectant leurs exigences de confidentialité. Merci pour ces clarifications, Alex.
Expert: Merci Anna.
Host: Merci à tous de nous avoir suivis sur A.I.S. Insights — powered by Living Knowledge. À bientôt pour une nouvelle analyse.
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