Voltar para a biblioteca

Pergunta central Novo

Processado por IA · Aprovado pelo autor

Como as preocupações de privacidade dos pacientes variam entre diferentes tipos de dados em aplicativos de saúde 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 visualizações

Ilustração para: Como as preocupações de privacidade dos pacientes variam entre diferentes tipos de dados em aplicativos de saúde mental?

Carrega o reprodutor do Spotify; o Spotify pode definir cookies. Este dispositivo memoriza a sua escolha.

Principais conclusões

  • A preocupação com a privacidade variou significativamente a nível intraindividual entre os 21 tipos de dados de saúde, com ideação suicida, monitoramento de comunicação e rastreamento de sintomas apresentando as maiores preocupações, enquanto dados externos e de passos apresentaram as menores.
  • Além das disposições gerais de privacidade (CFIP: b = 0,200, p < 0,001), a relevância percebida para o tratamento associou-se positivamente à preocupação com a privacidade intraindividual (b = 0,248, p < 0,001), mostrando que dados vistos como mais clinicamente úteis também são percebidos como mais sensíveis.
  • A expectativa geral de desempenho teve um efeito principal negativo nas preocupações com a privacidade (b = -0,123, p = 0,016), mas moderou positivamente a relação relevância-preocupação (b = 0,046, p = 0,016), indicando maior diferenciação de privacidade guiada pela relevância entre usuários que esperam maiores benefícios do aplicativo.
  • Testes de robustez confirmaram que diagnósticos prévios de depressão, sintomas depressivos atuais e uso prévio de aplicativos não alteraram nem moderaram significativamente essas avaliações de privacidade.

O que isso significa para você

CIO / Executivo 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.

Gerente 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.

Estrategista de Negócios

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.

Pesquisador

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.

Formulador 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.

Resumo

Este estudo examina se as preocupações com a privacidade diferem entre tipos específicos de dados de saúde gerados pelo paciente e como a utilidade para o tratamento se relaciona com essas preocupações. Os autores realizaram um questionário online com 439 jovens adultos de 18 a 29 anos que avaliaram 21 tipos de dados por meio de um delineamento intraindividual. Os dados foram analisados utilizando modelos lineares de efeitos mistos para separar disposições gerais de privacidade de avaliações específicas de cada tipo de dado.

Problema

Aplicativos de saúde digital frequentemente dependem de modelos de consentimento genéricos que tratam todos os dados dos pacientes como uniformemente sensíveis. Em contextos de saúde mental, os indivíduos podem considerar certas categorias de dados muito mais reveladoras do que outras, criando incertezas sobre como a relevância clínica percebida molda riscos de privacidade específicos.

Transcrição
Host: Olá e bem-vindos ao A.I.S. Insights — powered by Living Knowledge. Sou Anna Ivy Summers, e hoje vamos analisar um estudo recente intitulado "Uma Perspectiva de Cálculo de Privacidade Intraindividual para Dados de Saúde Gerados pelo Paciente nos Cuidados de Saúde Mental entre Jovens Adultos". O estudo foi conduzido pelos pesquisadores Philipp Reindl-Spanner e Barbara Prommegger para a International Conference on Information Systems de 2026. Comigo está nosso analista, Alex Ian Sutherland. Alex, o que esse estudo investiga fundamentalmente?
Expert: Olá, Anna. Este estudo analisa como os jovens adultos avaliam a privacidade de diferentes tipos de dados de saúde gerados pelo paciente em aplicativos de saúde mental. Os autores buscaram entender se as preocupações de privacidade variam conforme o tipo de dado e como a utilidade percebida desses dados para o tratamento influencia essas preocupações.
Host: E qual é o problema prático que motivou essa investigação?
Expert: O problema central reside nos modelos de consentimento atuais. A maioria dos aplicativos de saúde digital utiliza termos de consentimento genéricos, do tipo "pegar ou largar", tratando todos os dados como uniformemente sensíveis. No entanto, no cuidado em saúde mental, os indivíduos podem enxergar certas informações como consideravelmente mais invasivas do que outras, gerando atrito e incerteza sobre a aceitação do compartilhamento.
Host: Para testar isso, qual foi a metodologia empregada no estudo?
Expert: O estudo contou com uma amostra de 439 jovens adultos, com idades entre 18 e 29 anos. Foi utilizado um delineamento intraindividual no qual cada participante avaliou 21 tipos distintos de dados de saúde gerados pelo paciente. Para analisar as respostas, os pesquisadores aplicaram modelos lineares de efeitos mistos, permitindo isolar as disposições gerais de privacidade de cada indivíduo das avaliações específicas de cada tipo de dado.
Host: E quais foram os principais resultados observados?
Expert: Primeiro, a preocupação com a privacidade variou de forma significativa entre os 21 tipos de dados dentro de um mesmo indivíduo. Dados como ideação suicida, monitoramento de comunicações e rastreamento de sintomas apresentaram os maiores níveis de preocupação. No extremo oposto, dados externos de contexto e contagem de passos registraram os menores níveis.
Host: Essa diferença dependeu apenas da sensibilidade percebida ou a relevância clínica também teve influência?
Expert: Esse é um ponto central. Além das preocupações gerais de privacidade medidas pela escala CFIP, que registraram coeficiente b de 0,200 com p menor que 0,001, a relevância percebida para o tratamento associou-se positivamente à preocupação com a privacidade, com b de 0,248 e p menor que 0,001. Ou seja, quanto mais útil clinicamente o dado é considerado pelo usuário, maior é a preocupação com sua privacidade.
Host: E quanto à expectativa de benefício geral do aplicativo?
Expert: A expectativa de desempenho geral teve um efeito negativo sobre as preocupações com a privacidade, com b de menos 0,123 e p igual a 0,016. Contudo, ela moderou positivamente a relação entre relevância e preocupação, com b de 0,046 e p de 0,016. Isso indica que usuários que esperam maiores benefícios do aplicativo diferenciam ainda mais a sensibilidade dos dados com base na relevância clínica. Vale notar que testes de robustez mostraram que diagnósticos prévios de depressão, sintomas atuais ou experiência prévia com aplicativos não alteraram essas relações de forma estatisticamente significativa.
Host: Diante desses dados, quais são as implicações práticas para empresas e desenvolvedores de tecnologia em saúde?
Expert: A principal recomendação prática é abandonar modelos de consentimento monolíticos. As empresas devem implementar consentimento granular e em camadas, permitindo que os usuários escolham quais fluxos de dados compartilhar. Além disso, como os dados clinicamente mais relevantes geram maior cautela, as plataformas precisam explicar com precisão técnica por que certas informações são necessárias e quais salvaguardas específicas estão ativas para protegê-las.
Host: Uma diferenciação que pode aumentar o engajamento e a transparência em ferramentas de saúde digital. Muito obrigada pelas análises, Alex. E obrigado a você que nos acompanhou no A.I.S. Insights — powered by Living Knowledge. Até o próximo episódio.
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