Analyzing mHealth Engagement: Joint Models for Intensively Collected User Engagement Data
Notice bibliographique
Résumé
BACKGROUND: Evaluating engagement with an intervention is a key component of understanding its efficacy. With an increasing interest in developing behavioral interventions in the mobile health (mHealth) space, appropriate methods for evaluating engagement in this context are necessary. Data collected to evaluate mHealth interventions are often collected much more frequently than those for clinic-based interventions. Additionally, missing data on engagement is closely linked to level of engagement resulting in the potential for informative missingness. Thus, models that can accommodate intensively collected data and can account for informative missingness are required for unbiased inference when analyzing engagement with an mHealth intervention. OBJECTIVE: The objectives of this paper are to discuss the utility of the joint modeling approach in the analysis of longitudinal engagement data in mHealth research and to illustrate the application of this approach using data from an mHealth intervention designed to support illness management among people with schizophrenia. METHODS: Engagement data from an evaluation of an mHealth intervention designed to support illness management among people with schizophrenia is analyzed. A joint model is applied to the longitudinal engagement outcome and time-to-dropout to allow unbiased inference on the engagement outcome. Results are compared to a naïve model that does not account for the relationship between dropout and engagement. RESULTS: The joint model shows a strong relationship between engagement and reduced risk of dropout. Using the mHealth app 1 day more per week was associated with a 23% decreased risk of dropout (P<.001). The decline in engagement over time was steeper when the joint model was used in comparison with the naïve model. CONCLUSIONS: Naïve longitudinal models that do not account for informative missingness in mHealth data may produce biased results. Joint models provide a way to model intensively collected engagement outcomes while simultaneously accounting for the relationship between engagement and missing data in mHealth intervention research.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».