Patient Involvement as Experts in the Development and Assessment of a Smartphone App as a Patient Education Tool for the Management of Thalassemia and Iron Overload Syndromes
Notice bibliographique
Résumé
Our aim was to develop and assess the feasibility of an education tool to improve health outcomes of patients with thalassemia. Thirty-five patients attending a Canadian thalassemia clinic were enrolled. Acting in an expert role, they participated in a Delphi method to reach consensus as to what tools and information should be incorporated in the development of a self management Smartphone app. One- and 6-month usability and health impact feedback surveys were built-in. Sixty percent of responders were 18-34 years old, over 50.0% had a college degree. The Delphi method successfully generated a comprehensive list of features important to patients. The app has been downloaded 147 times globally. Between March 2015 and January 2016, 19 responses for the 1-month survey were collected and the trends described. Responders reported improved medication adherence. The personal adherence pledge feature supports gamification of health apps to individualize goals of therapy. The impact of tracking iron levels was highly favorable. The Delphi method was an effective way to introduce a patient education and empowerment tool to the thalassemia population. The long-term impact requires data maturation. Use of validated methodology is essential to ensure ehealth interventions are positively contributing to patient education and disease outcomes.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».