लाइब्रेरी पर वापस जाएं

प्रमुख प्रश्न नया

AI द्वारा प्रसंस्कृत · लेखक द्वारा अनुमोदित

डिजिटल मानसिक स्वास्थ्य ऐप्स में विभिन्न प्रकार के स्वास्थ्य डेटा के अनुसार रोगियों की गोपनीयता संबंधी चिंताएं कैसे बदलती हैं?

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 बार देखा गया

चित्र: डिजिटल मानसिक स्वास्थ्य ऐप्स में विभिन्न प्रकार के स्वास्थ्य डेटा के अनुसार रोगियों की गोपनीयता संबंधी चिंताएं कैसे बदलती हैं?

Spotify का प्लेयर लोड करता है; Spotify कुकीज़ सेट कर सकता है। यह डिवाइस आपकी पसंद याद रखता है।

मुख्य निष्कर्ष

  • 21 स्वास्थ्य डेटा प्रकारों में व्यक्तियों के भीतर गोपनीयता की चिंता में काफी भिन्नता पाई गई, जिसमें आत्महत्या के विचार, संचार ट्रैकिंग और लक्षण ट्रैकिंग में उच्चतम गोपनीयता चिंताएं देखी गईं, जबकि बाहरी और कदम (स्टेप) डेटा में सबसे कम चिंता देखी गई।
  • सामान्य गोपनीयता प्रवृत्तियों (CFIP: b = 0.200, p < .001) के अलावा, कथित उपचार प्रासंगिकता सकारात्मक रूप से व्यक्तियों के भीतर गोपनीयता की चिंता से जुड़ी थी (b = 0.248, p < .001), जिससे पता चलता है कि चिकित्सकीय रूप से अधिक उपयोगी माने जाने वाले डेटा को अधिक संवेदनशील भी माना जाता है।
  • सामान्य प्रदर्शन प्रत्याशा का गोपनीयता चिंताओं पर नकारात्मक मुख्य प्रभाव था (b = -0.123, p = .016), लेकिन इसने प्रासंगिकता-चिंता संबंध को सकारात्मक रूप से नियंत्रित किया (b = 0.046, p = .016), जो उच्च ऐप लाभों की अपेक्षा करने वाले उपयोगकर्ताओं के बीच अधिक प्रासंगिकता-संचालित गोपनीयता विभेदन को दर्शाता है।
  • रोबस्टनेस परीक्षणों ने पुष्टि की कि पूर्व अवसाद निदान, वर्तमान अवसादग्रस्त लक्षण और पूर्व ऐप उपयोग ने इन गोपनीयता आकलनों को महत्वपूर्ण रूप से परिवर्तित नहीं किया।

आपके लिए इसका क्या अर्थ है

CIO / आईटी एक्ज़ीक्यूटिव

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.

आईटी प्रबंधक

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.

बिज़नेस रणनीतिकार

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.

शोधकर्ता

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.

नीति निर्माता

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.

सारांश

यह अध्ययन जांच करता है कि क्या रोगी-जनित स्वास्थ्य डेटा के विशिष्ट प्रकारों में गोपनीयता संबंधी चिंताएं भिन्न होती हैं और उपचार की उपयोगिता इन चिंताओं से कैसे संबंधित है। शोधकर्ताओं ने 18 से 29 वर्ष की आयु के 439 उभरते वयस्कों के साथ एक ऑनलाइन सर्वेक्षण किया, जिन्होंने व्यक्ति-भीतर डिज़ाइन का उपयोग करके 21 डेटा प्रकारों का मूल्यांकन किया। सामान्य गोपनीयता प्रवृत्तियों को डेटा-प्रकार-विशिष्ट आकलनों से अलग करने के लिए लीनियर मिक्स्ड-इफेक्ट्स मॉडल का उपयोग करके डेटा का विश्लेषण किया गया।

समस्या

डिजिटल स्वास्थ्य एप्लिकेशन अक्सर व्यापक सहमति मॉडलों पर निर्भर करते हैं जो सभी रोगी डेटा को समान रूप से संवेदनशील मानते हैं। मानसिक स्वास्थ्य के संदर्भ में, व्यक्ति कुछ डेटा श्रेणियों को दूसरों की तुलना में कहीं अधिक संवेदनशील मान सकते हैं, जिससे यह अनिश्चितता पैदा होती है कि कथित चिकित्सा प्रासंगिकता डेटा-विशिष्ट गोपनीयता जोखिमों को कैसे प्रभावित करती है।

ट्रांसक्रिप्ट
Host: A.I.S. Insights — powered by Living Knowledge में आपका स्वागत है। मैं Anna Ivy Summers हूँ। आज हम एक महत्वपूर्ण अध्ययन पर चर्चा कर रहे हैं, जिसका शीर्षक है: "उभरते वयस्कों में मानसिक स्वास्थ्य देखभाल के लिए रोगी-जनित स्वास्थ्य डेटा पर एक व्यक्ति-भीतर प्राइवेसी कैलकुलस परिप्रेक्ष्य"। इसे Philipp Reindl-Spanner और Barbara Prommegger द्वारा International Conference on Information Systems यानी ICIS 2026 के लिए तैयार किया गया है। यह अध्ययन जांच करता है कि मानसिक स्वास्थ्य ऐप्स में रोगी-जनित डेटा के विभिन्न प्रकारों के अनुसार उपयोगकर्ताओं की गोपनीयता संबंधी चिंताएं कैसे बदलती हैं। इस विषय को विस्तार से समझाने के लिए हमारे साथ हैं विश्लेषक Alex Ian Sutherland। स्वागत है Alex।
Expert: धन्यवाद Anna। आज के डिजिटल हेल्थकेयर परिदृश्य में यह अध्ययन व्यावहारिक दृष्टि से काफी प्रासंगिक है।
Host: Alex, आइए मूल समस्या से शुरुआत करते हैं। डिजिटल मानसिक स्वास्थ्य के क्षेत्र में डेटा गोपनीयता को लेकर इस समय मुख्य चुनौती क्या है?
Expert: Anna, वर्तमान में अधिकांश डिजिटल स्वास्थ्य एप्लिकेशन एक व्यापक यानी 'ऑल-ऑर-नथिंग' सहमति मॉडल पर काम करते हैं। इसका मतलब है कि उपयोगकर्ता से सभी प्रकार के डेटा को साझा करने की अनुमति एक साथ ले ली जाती है, मानो सभी डेटा प्रकार समान रूप से संवेदनशील हों। लेकिन मानसिक स्वास्थ्य के मामले में ऐसा नहीं होता। एक व्यक्ति अपने कदमों की गिनती या नींद का डेटा साझा करने में सहज हो सकता है, लेकिन अपने निजी विचारों या संचार विवरणों को साझा करने में नहीं। यह अध्ययन इसी अंतर को समझने का प्रयास करता है।
Host: तो शोधकर्ताओं ने इस समस्या की जांच किस पद्धति से की?
Expert: शोधकर्ताओं ने 18 से 29 वर्ष की आयु के 439 उभरते वयस्कों का एक ऑनलाइन सर्वेक्षण किया। अध्ययन में 'विदिन-पर्सन' यानी व्यक्ति-भीतर डिज़ाइन का उपयोग किया गया, जहाँ प्रत्येक प्रतिभागी ने 21 विभिन्न प्रकार के डेटा का मूल्यांकन किया। डेटा का विश्लेषण लीनियर मिक्स्ड-इफेक्ट्स मॉडल के माध्यम से किया गया, जिससे सामान्य व्यक्तिगत प्रवृत्तियों और डेटा-विशिष्ट आकलनों के बीच स्पष्ट अंतर किया जा सके।
Host: और इस पद्धति से क्या प्रमुख निष्कर्ष सामने आए?
Expert: मुख्य निष्कर्ष यह है कि एक ही व्यक्ति के भीतर विभिन्न डेटा प्रकारों के लिए गोपनीयता की चिंता में महत्वपूर्ण भिन्नता पाई गई। आत्महत्या के विचार, संचार ट्रैकिंग और मानसिक लक्षणों की ट्रैकिंग में गोपनीयता को लेकर सबसे अधिक चिंता देखी गई। इसके विपरीत, बाहरी वातावरण और कदमों की गिनती जैसे डेटा प्रकारों में चिंता का स्तर सबसे कम था।
Host: क्या लोगों की सामान्य गोपनीयता चिंताओं और डेटा की चिकित्सीय उपयोगिता के बीच भी कोई संबंध देखा गया?
Expert: हाँ, सांख्यिकीय विश्लेषण के अनुसार, सामान्य गोपनीयता प्रवृत्तियों के अलावा, कथित उपचार प्रासंगिकता सकारात्मक रूप से गोपनीयता की चिंता से जुड़ी थी, जहाँ b का मान 0.248 और p का मान 0.001 से कम था। इसका अर्थ यह है कि जिन डेटा श्रेणियों को उपयोगकर्ता उपचार के लिए सबसे अधिक उपयोगी मानते हैं, उन्हें ही वे सबसे अधिक संवेदनशील और जोखिम भरा भी मानते हैं।
Host: यह काफी दिलचस्प संतुलन है। प्रदर्शन अपेक्षा, यानी ऐप के लाभों के बारे में क्या परिणाम मिले?
Expert: सामान्य प्रदर्शन प्रत्याशा का गोपनीयता चिंताओं पर नकारात्मक मुख्य प्रभाव था, जहाँ b का मान -0.123 और p का मान 0.016 था। यानी जब उपयोगकर्ताओं को उच्च लाभ की उम्मीद होती है, तो उनकी सामान्य चिंता कम हो जाती है। हालांकि, इसने प्रासंगिकता और चिंता के संबंध को सकारात्मक रूप से नियंत्रित भी किया, जहाँ b का मान 0.046 और p का मान 0.016 रहा। इससे पता चलता है कि जो उपयोगकर्ता उच्च लाभ की अपेक्षा करते हैं, वे अत्यधिक प्रासंगिक डेटा के प्रति और भी अधिक सतर्क हो जाते हैं।
Host: क्या अवसाद के पूर्व इतिहास या ऐप के पिछले उपयोग से इन परिणामों में कोई बदलाव आया?
Expert: रोबस्टनेस परीक्षणों से यह स्पष्ट हुआ कि प्रतिभागियों के पूर्व अवसाद निदान, वर्तमान लक्षणों या पूर्व ऐप उपयोग ने इन आकलनों को महत्वपूर्ण रूप से प्रभावित नहीं किया। यह पैटर्न पूरे समूह में सुसंगत रहा।
Host: Alex, अब सबसे अहम सवाल: यह ज्ञान डिजिटल स्वास्थ्य क्षेत्र के व्यवसायों, डेवलपर्स और उत्पाद प्रबंधकों के लिए व्यावहारिक रूप से क्यों मायने रखता है?
Expert: इसका सबसे बड़ा व्यावसायिक निहितार्थ 'ग्रैन्यूलर कॉन्सेंट' यानी श्रेणीबद्ध सहमति मॉडल को अपनाना है। कंपनियों को उपयोगकर्ताओं से एकमुश्त सहमति मांगने के बजाय डेटा प्रकार के आधार पर विकल्प देने चाहिए। दूसरा, जब ऐप डेवलपर्स को अत्यधिक संवेदनशील डेटा, जैसे मानसिक लक्षण या संचार डेटा की आवश्यकता हो, तो उन्हें स्पष्ट रूप से यह बताना होगा कि यह डेटा उपचार के लिए चिकित्सकीय रूप से कैसे सहायक है। पारदर्शिता के बिना उपयोगकर्ता ऐसे डेटा को साझा करने से बचेंगे।
Host: यानी विश्वास और डेटा नियंत्रण सीधे तौर पर उत्पाद को अपनाने की दर से जुड़े हैं।
Expert: बिल्कुल सही। उपयोगकर्ता अनुभव और डेटा सुरक्षा नीतियों को इन प्राथमिकताओं के अनुसार संरेखित करके स्वास्थ्य-तकनीक कंपनियाँ उपयोगकर्ता विश्वास को मजबूत कर सकती हैं।
Host: बहुत स्पष्ट विश्लेषण Alex। आज हमने देखा कि डिजिटल मानसिक स्वास्थ्य में हर डेटा प्रकार को एक ही नज़रिए से नहीं देखा जा सकता, और व्यवसायों को अधिक संवेदनशील तथा पारदर्शी सहमति तंत्र अपनाने की आवश्यकता है। Alex, इस जानकारी को साझा करने के लिए आपका बहुत धन्यवाद।
Expert: धन्यवाद Anna।
Host: और हमारे सभी श्रोताओं का भी धन्यवाद। सुनते रहिए A.I.S. Insights — powered by Living Knowledge। अगले अंक में फिर मिलेंगे।
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