Review and Analysis of Existing Mobile Phone Apps to Support Heart Failure Symptom Monitoring and Self-Care Management Using the Mobile Application Rating Scale (MARS)
Notice bibliographique
Résumé
BACKGROUND: Heart failure is the most common cause of hospital readmissions among Medicare beneficiaries and these hospitalizations are often driven by exacerbations in common heart failure symptoms. Patient collaboration with health care providers and decision making is a core component of increasing symptom monitoring and decreasing hospital use. Mobile phone apps offer a potentially cost-effective solution for symptom monitoring and self-care management at the point of need. OBJECTIVE: The purpose of this review of commercially available apps was to identify and assess the functionalities of patient-facing mobile health apps targeted toward supporting heart failure symptom monitoring and self-care management. METHODS: We searched 3 Web-based mobile app stores using multiple terms and combinations (eg, "heart failure," "cardiology," "heart failure and self-management"). Apps meeting inclusion criteria were evaluated using the Mobile Application Rating Scale (MARS), IMS Institute for Healthcare Informatics functionality scores, and Heart Failure Society of America (HFSA) guidelines for nonpharmacologic management. Apps were downloaded and assessed independently by 2-4 reviewers, interclass correlations between reviewers were calculated, and consensus was met by discussion. RESULTS: Of 3636 potentially relevant apps searched, 34 met inclusion criteria. Most apps were excluded because they were unrelated to heart failure, not in English or Spanish, or were games. Interrater reliability between reviewers was high. AskMD app had the highest average MARS total (4.9/5). More than half of the apps (23/34, 68%) had acceptable MARS scores (>3.0). Heart Failure Health Storylines (4.6) and AskMD (4.5) had the highest scores for behavior change. Factoring MARS, functionality, and HFSA guideline scores, the highest performing apps included Heart Failure Health Storylines, Symple, ContinuousCare Health App, WebMD, and AskMD. Peer-reviewed publications were identified for only 3 of the 34 apps. CONCLUSIONS: This review suggests that few apps meet prespecified criteria for quality, content, or functionality, highlighting the need for further refinement and mapping to evidence-based guidelines and room for overall quality improvement in heart failure symptom monitoring and self-care related 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 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 | 0,006 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,016 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».