Review of 2013-2014 Mobile Medical Applications: Regulatory Challenges and Precedents
Notice bibliographique
Résumé
This project aims to offer a review of mobile medical apps and the most important changes that happened in this sector in 2013 and 2014. We start with a discussion about the regulation of these devices in the United States, the European Union, and Brazil. 2013 was a significant year because of the publication of important guidelines about regulation and classification of mobile apps as medical devices. We further discuss how the manufacturers look at the requirements of safety and efficiency and how they are assessing these outcomes. Next, we explore the value proposition of mobile medical applications. Finally, we explore three case studies of mobile medical applications; one intended for imaging diagnostics, called ResolutionMDTM, by Calgary Scientific Inc., another, MyVisonTrackTM, by Virtual Art and Science, Inc., and a third, unregulated application from GN ReSound called ReSound SmartTM. The information for this project was mainly gathered using secondary research. For this purpose, we used databases, medical, business and mobile health reports, medical journals, and medical and mobile health websites. The time frame for data was mainly between 2010 and 2014, with only one reference each from 2002, 2004, and 2008. As the world becomes increasingly more mobile and moves to a value-based healthcare system, mobile medical applications offer a huge opportunity to provide cost-effectiveness, patient empowerment and good health outcomes. 2013 and 2014 were significant years for the first steps of the regulatory agencies towards more structured guidance on this matter, but health application developers seemingly have yet to fully understand the importance of providing safer and more efficient apps to patients and providers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».