Mobile Phone Apps for Preventing Cancer Through Educational and Behavioral Interventions: State of the Art and Remaining Challenges
Notice bibliographique
Résumé
BACKGROUND: Rapid developments in technology have encouraged the use of mobile phones in smoking cessation, promoting healthy diet, nutrition, and physical activity, sun safety, and cancer screening. Although many apps relating to the prevention of cancer and other chronic diseases are available from major mobile phone platforms, relatively few have been tested in research studies to determine their efficacy. OBJECTIVE: In this paper, we discuss issues related to the development and testing of new apps for preventing cancer through smoking cessation, sun safety, and other healthy behaviors, including key methodologic issues and outstanding challenges. METHODS: An exploratory literature review was conducted using bibliographic searches in PubMed and CINAHL with relevant search terms (eg, smartphones, smoking cessation, cancer prevention, cancer screening, and carcinogens) to identify papers published in English through October 2015. RESULTS: Only 4 randomized controlled trials of the use of mobile phone apps for smoking cessation and 2 trials of apps for sun safety were identified, indicating that it is premature to conduct a systematic search and meta-analysis of the published literature on this topic. CONCLUSIONS: Future studies should utilize randomized controlled trial research designs, larger sample sizes, and longer study periods to better establish the cancer prevention and control capabilities of mobile phone apps. In developing new and refined apps for cancer prevention and control, both health literacy and eHealth literacy should be taken into account. There is a need for culturally appropriate, tailored health messages to increase knowledge and awareness of health behaviors such as smoking cessation, cancer screening, and sun safety. Mobile phone apps are likely to be a useful and low-cost intervention for preventing cancer through behavioral changes.
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 | 0,033 | 0,059 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,006 | 0,011 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,005 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 ».