Developing mHealth Remote Monitoring Technology for Attention Deficit Hyperactivity Disorder: A Qualitative Study Eliciting User Priorities and Needs
Notice bibliographique
Résumé
BACKGROUND: Guidelines in the United Kingdom recommend that medication titration for attention deficit hyperactivity disorder (ADHD) should be completed within 4-6 weeks and include regular reviews. However, most clinicians think that weekly clinic contact is infeasible, and audits have shown that this timeline is rarely achieved. Thus, a more effective monitoring and review system is needed; remote monitoring technology (RMT) may be one way to improve current practice. However, little is known about whether patients with ADHD, their families, and clinicians would be interested in using RMT. OBJECTIVE: To explore patients', parents', and health care professionals' views and attitudes toward using digital technology for remote monitoring during titration for ADHD. METHODS: This was a qualitative study, and data were collected through 11 focus groups with adults and young people with ADHD, parents of children with ADHD, and health care professionals (N=59). RESULTS: All participant groups were positive about using RMT in the treatment of ADHD, but they were also aware of barriers to its use, especially around access to technology and integrating RMT into clinical care. They identified that RMT had the most potential for use in the ongoing management and support of ADHD, rather than during the distinct titration period. Participants identified features of RMT that could improve the quality of consultations and support greater self-management. CONCLUSIONS: RMT has the potential to augment support and care for ADHD, but it needs to go beyond the titration period and offer more to patients and families than monitoring through outcome measures. Developing and evaluating an mHealth app that incorporates the key features identified by end users is required.
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 | 0,024 | 0,030 |
| 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 | 0,008 | 0,006 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».