Kembali ke pustaka

Pertanyaan kunci Baru

Diproses AI · Disetujui penulis

Bagaimana kekhawatiran privasi pasien bervariasi di berbagai jenis data kesehatan pada aplikasi kesehatan mental digital?

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 kali dilihat

Ilustrasi untuk: Bagaimana kekhawatiran privasi pasien bervariasi di berbagai jenis data kesehatan pada aplikasi kesehatan mental digital?

Memuat pemutar Spotify; Spotify dapat memasang cookie. Perangkat ini mengingat pilihan Anda.

Temuan utama

  • Kekhawatiran privasi bervariasi secara signifikan dalam diri individu di seluruh 21 jenis data kesehatan, dengan pemikiran bunuh diri, pelacakan komunikasi, dan pelacakan gejala menunjukkan kekhawatiran privasi tertinggi, sedangkan data eksternal dan data langkah kaki menunjukkan yang terendah.
  • Di luar disposisi privasi umum (CFIP: b = 0,200, p < 0,001), persepsi relevansi perawatan berhubungan positif dengan kekhawatiran privasi dalam diri individu (b = 0,248, p < 0,001), menunjukkan bahwa data yang dipandang lebih berguna secara klinis juga dinilai lebih sensitif.
  • Ekspektasi kinerja umum memiliki efek utama negatif terhadap kekhawatiran privasi (b = -0,123, p = 0,016) tetapi memoderasi hubungan relevansi-kekhawatiran secara positif (b = 0,046, p = 0,016), menandakan diferensiasi privasi berbasis relevansi yang lebih kuat di antara pengguna yang mengharapkan manfaat aplikasi lebih tinggi.
  • Uji ketahanan mengonfirmasi bahwa riwayat diagnosis depresi, gejala depresi saat ini, dan penggunaan aplikasi sebelumnya tidak secara signifikan mengubah atau memoderasi penilaian privasi ini.

Maknanya bagi Anda

CIO / Eksekutif 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.

Manajer 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.

Ahli Strategi Bisnis

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.

Peneliti

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.

Pembuat Kebijakan

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.

Ringkasan

Penelitian ini mengkaji apakah kekhawatiran privasi berbeda di berbagai jenis data kesehatan yang dihasilkan pasien dan bagaimana kegunaan perawatan berhubungan dengan kekhawatiran tersebut. Penulis melakukan survei daring terhadap 439 orang dewasa muda berusia 18 hingga 29 tahun yang mengevaluasi 21 jenis data menggunakan desain intrapersonal (within-person). Data dianalisis menggunakan model efek campuran linier guna memisahkan kecenderungan privasi umum dari penilaian khusus jenis data.

Masalah

Aplikasi kesehatan digital kerap mengandalkan model persetujuan menyeluruh yang memperlakukan semua data pasien sama sensitifnya. Dalam konteks kesehatan mental, individu dapat memandang kategori data tertentu jauh lebih menyingkap privasi dibanding yang lain, sehingga menimbulkan ketidakpastian tentang bagaimana persepsi relevansi medis membentuk risiko privasi spesifik data.

Transkrip
Host: Halo dan selamat datang di A.I.S. Insights — powered by Living Knowledge. Saya Anna Ivy Summers.
Expert: Dan saya Alex Ian Sutherland. Senang bisa kembali hadir untuk membahas riset teknologi dan bisnis bersama Anda.
Host: Hari ini kita mengulas sebuah studi yang dipresentasikan pada International Conference on Information Systems 2026 oleh Philipp Reindl-Spanner dan Barbara Prommegger. Judul studinya adalah "Perspektif Kalkulus Privasi Intrapersonal untuk Data Kesehatan Buatan Pasien dalam Layanan Kesehatan Mental pada Dewasa Muda". Studi ini meneliti apakah kekhawatiran privasi berbeda di berbagai jenis data kesehatan yang dihasilkan pasien dan bagaimana kegunaan perawatan berhubungan dengan kekhawatiran tersebut. Alex, masalah apa yang mendasari studi ini?
Expert: Banyak pengembang aplikasi kesehatan digital saat ini masih menggunakan model persetujuan menyeluruh atau all-or-nothing. Dalam sistem tersebut, pengguna diminta menyetujui pengumpulan seluruh kategori data sekaligus tanpa opsi pemilihan. Padahal, dalam ranah kesehatan mental, individu memandang beberapa kategori data jauh lebih menyingkap hal pribadi dibanding kategori lainnya. Hal ini memicu ketidakpastian mengenai bagaimana persepsi relevansi klinis memengaruhi persepsi risiko privasi pengguna.
Host: Jadi ada kesenjangan antara desain sistem persetujuan dan persepsi pengguna. Bagaimana peneliti mendekati masalah ini secara metodologis?
Expert: Peneliti melakukan survei daring terhadap 439 orang dewasa muda berusia 18 hingga 29 tahun. Responden mengevaluasi 21 jenis data kesehatan menggunakan desain intrapersonal atau within-person. Untuk membedakan kecenderungan privasi umum seseorang dari penilaian spesifik terhadap tiap jenis data, peneliti menerapkan analisis model efek campuran linier.
Host: Lalu, apa temuan utama yang dihasilkan dari analisis data tersebut?
Expert: Pertama, tingkat kekhawatiran privasi terbukti bervariasi secara signifikan dalam diri masing-masing individu pada 21 jenis data tersebut. Data seperti pemikiran bunuh diri, pelacakan komunikasi, dan pelacakan gejala menghasilkan kekhawatiran privasi tertinggi. Di sisi lain, data eksternal seperti kondisi cuaca dan data langkah kaki mencatat kekhawatiran paling rendah.
Host: Bagaimana dengan faktor relevansi data terhadap perawatan medis pasien?
Expert: Terlepas dari disposisi privasi umum individu yang diukur melalui CFIP dengan nilai b sebesar 0,200 pada p kurang dari 0,001, persepsi relevansi perawatan berkorelasi positif dengan kekhawatiran privasi dengan b sebesar 0,248 pada p kurang dari 0,001. Artinya, data yang dinilai pasien memiliki manfaat klinis paling tinggi justru dipandang membawa risiko privasi paling besar.
Host: Apakah ada variabel lain yang memengaruhi kalkulus privasi ini?
Expert: Ya, ekspektasi kinerja umum dari aplikasi memiliki efek utama negatif terhadap kekhawatiran privasi dengan b sebesar minus 0,123 pada p bernilai 0,016. Namun, ekspektasi tersebut memoderasi hubungan relevansi dan kekhawatiran secara positif dengan b sebesar 0,046 pada p bernilai 0,016. Ini menunjukkan bahwa pengguna yang mengharapkan manfaat aplikasi lebih tinggi justru membuat diferensiasi privasi yang lebih tegas berdasarkan relevansi data. Uji ketahanan juga mengonfirmasi bahwa riwayat diagnosis depresi, gejala saat ini, maupun penggunaan aplikasi sebelumnya tidak mengubah hubungan ini secara signifikan.
Host: Mari kita beralih ke bagian penting bagi para praktisi: apa arti temuan studi ini bagi strategi bisnis dan pengembangan produk kesehatan digital?
Expert: Bagi manajer produk dan perancang aplikasi kesehatan, temuan ini mengindikasikan bahwa model persetujuan menyeluruh perlu diganti dengan persetujuan bertingkat atau granular consent. Pengguna sebaiknya diberi kendali untuk membagikan data bertahap, mulai dari data berisiko rendah seperti aktivitas fisik, sebelum diminta memberikan data sensitif seperti interaksi komunikasi atau catatan suasana hati.
Host: Bagaimana implikasinya terhadap komunikasi nilai produk kepada pengguna?
Expert: Karena data yang paling relevan secara klinis juga paling dikhawatirkan, penyedia layanan harus secara eksplisit mengomunikasikan tujuan medis spesifik dan protokol perlindungan data untuk kategori tersebut. Transparansi mengenai alasan klinis di balik pengumpulan data dapat membantu pengguna menyeimbangkan manfaat terapeutik dengan risiko privasi yang mereka rasakan.
Host: Pendekatan berbasis data ini memberikan panduan yang sangat jelas bagi tata kelola privasi dalam layanan kesehatan digital. Terima kasih banyak atas analisisnya, Alex.
Expert: Sama-sama, Anna.
Host: Dan terima kasih kepada para pendengar telah mengikuti A.I.S. Insights — powered by Living Knowledge. Sampai jumpa di episode berikutnya.
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