A Mobile App for Hypertension Management Based on Clinical Practice Guidelines: Development and Deployment
Notice bibliographique
Résumé
BACKGROUND: Hypertension is a chronic and lifestyle-related disease that requires continuous preventive care. Although there are many evidence-based clinical practice guidelines (CPGs) for hypertension management, applying them to daily management can be difficult for patients with hypertension. A mobile app, based on CPGs, could help patients with hypertension manage their disease. OBJECTIVE: To develop a mobile app for hypertension management based on CPGs and evaluate its effectiveness in patients with hypertension with respect to perceived usefulness, user satisfaction, and medication adherence. METHODS: The hypertension management app (HMA) was developed according to the Web-Roadmap methodology, which includes planning, analysis, design, implementation, and evaluation phases. The HMA was provided to individuals (N=38) with hypertension. Medication adherence was measured before and after using the HMA for 4 weeks. The perceived usefulness and user satisfaction were surveyed in the patients who completed the medication adherence survey. RESULTS: Of the 38 study participants, 29 (76%) participated in medical adherence assessment. Medication adherence, as measured by the Modified Morisky Scale, was significantly improved in these patients after they had used the HMA (P=.001). The perceived usefulness score was 3.7 out of 5. The user satisfaction scores, with respect to using the HMA for blood pressure recording, medication recording, data sending, alerting, recommending, and educating about medication were 4.3, 3.8, 3.1, 3.2, 3.4, and 3.8 out of 5, respectively, in the 19 patients. CONCLUSIONS: This study showed that a mobile app for hypertension management based on CPGs is effective at improving medication adherence.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| 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 | 0,000 | 0,000 |
| 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 ».