Smartphone and tablet apps for concussion road warriors (team clinicians): a systematic review for practical users
Notice bibliographique
Résumé
BACKGROUND: Mobile technologies are steadily replacing traditional assessment approaches for the recognition and assessment of a sports concussion. Their ease of access, while facilitating the early identification of a concussion, also raises issues regarding the content of the applications (apps) and their suitability for different user groups. AIM: To locate and review apps that assist in the recognition and assessment of a sports concussion and to assess their content with respect to that of internationally accepted best-practice instruments. METHODS: A search of international app stores and of the web using key terms such as 'concussion', 'sports concussion' and variants was conducted. For those apps meeting the inclusion criteria, data were extracted on the platform, intended users and price. The content of each app was benchmarked to the Sport Concussion Assessment Tool 2 (SCAT2) and Pocket SCAT2 using a custom scoring scheme to generate a percentage compliance statistic. RESULTS: 18 of the 155 apps identified met the inclusion criteria. Almost all (16/18) were available on an iOS platform and only five required a payment to purchase. The apps were marketed for a wide range of intended users from medical professionals to the general public. The content of the apps varied from 0% to 100% compliance with the selected standard, and 'symptom evaluation' components demonstrated the highest level of compliance. CONCLUSIONS: The surge in availability of apps in an unregulated market raises concerns as to the appropriateness of their content for different groups of end users. The consolidation of best-practice concussion instruments now provides a framework to inform the development of future apps.
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 | 0,016 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,012 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».