“There’s an App for That”: An Interview with Dr. Jennifer Stinson, an M-Health Expert
Notice bibliographique
Résumé
Increased adoption of smartphone technology by the general public has opened up an exciting new means by which healthcare professionals can interact with their patients [1]. The smartphone’s unique ability to combine mobile communication and computation offers a novel modality by which physicians can deliver healthcare interventions to their patients. Thus, it is no wonder that the use of smartphones in healthcare settings (so called “m-health”) has become the focus of widespread interest amongst healthcare professionals, with many smartphone-based medical applications already in widespread use amongst physicians and patients [2]. Leading the charge in this m-health revolution is Dr. Jennifer Stinson, a nurse clinician scientist based at The Hospital for Sick Children in Toronto, who aims to capitalize on the popularity of smartphones among adolescents [3]. Dr. Stinson is a pioneer in the field of m-health, creating one of the first electronic pain diaries using the Palm Tungsten PDA to help adolescents with juvenile idiopathic arthritis (JIA) related pain [4]. More recently, she has created the “Pain Squad” smartphone-based app, a multiple award-winning pain measurement tool for children and adolescents with cancer [5].I was able to speak with Dr. Stinson about her experience with m-health, her views about the future of m-health, and her advice for interested healthcare professionals and trainees who want to integrate mobile technology into their own patient care. The following is an edited version of that conversation.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,012 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,016 | 0,007 |
| Communication savante | 0,006 | 0,015 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,011 | 0,033 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
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 source (Gemma direct ou Codex distillé), 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 ».