The role of mobile devices in doctor-patient communication: A systematic review and meta-analysis
Notice bibliographique
Résumé
Introduction In the last few years, the use of telecommunication and mobile technology has grown significantly. This has led to a notable increase in the utilization of this telecommunication in healthcare, namely phone calls and text messaging (SMS). However, evaluating its global impact on improving healthcare processes and outcomes demands a more comprehensive assessment. In this study, we focused on the role of mobile devices via phone calls and SMS in patient-doctor communication, and aimed to assess its impact on various health outcomes. Methods Major databases, including MEDLINE, EMBASE, PsycINFO, Global Health, and Cochrane CENTRAL, were searched for clinical trials that investigated mobile-device technology in any facet of doctor-patient communication published between 1990 and April 2015. A meta-analysis was performed where appropriate. Results Sixty-two articles met our inclusion criteria. Of those, 23 articles investigated mobile appointment reminder technologies, 19 investigated medication adherence, 20 investigated disease-control interventions, and two investigated test-result reporting. Patients who received an appointment reminder were 10% less likely to miss an appointment (relative risk [RR] = 1.11, 95% confidence interval [CI] 1.08-1.15). Mobile interventions increased medication adherence by 22% (RR = 1.22, 95% CI 1.09-1.36). Ten of 20 studies examining disease control reported statistically significant reductions in clinically meaningful endpoints. The use of mobile-device interventions improved forced expiratory volume in one second and hemoglobin A1c percentage in meta-analyses. Conclusion The use of mobile-device technologies exerted modest improvements in communication and health outcomes. Further research is needed to determine the true effect of these technologies on doctor-patient communication.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,007 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».