The use of smartphone health apps and other <scp>mobile h</scp>ealth (mHealth) technologies in dietetic practice: a three country study
Notice bibliographique
Résumé
Abstract Background Smartphone health applications (apps) and other mobile health (mHealth) technologies may assist dietitians in improving the efficiency of patient care. The present study investigated the use of health apps and text messaging in dietetic practice and formulated intervention recommendations for supporting app uptake by dietitians based on the behavioural ‘ COM ‐B’ system, where interactions between capability, opportunity and motivation influence behaviour. Methods A 52‐item online survey tool, taking 20 min to complete, was developed and piloted, with questions exploring the use of health apps and text messaging in dietetic practice, types of apps dietitians recommended and that patients used, and barriers and enablers to app use in dietetic practice. The Australian, New Zealand and British dietetic associations distributed the survey to their members. Results A 5% response rate was achieved internationally, with 570 completed responses included for further analysis. Health apps, namely nutrition apps, were used by 62% of dietitians in their practice, primarily as an information resource (74%) and for patient self‐monitoring (60%). The top two nutrition apps recommended were MyFitnessPal ® (62%) and the Monash University Low FODMAP Diet ® (44%). Text messaging was used by 51% of respondents, mainly for appointment‐related purposes (84%). Conclusions Although the reported use of smartphone health apps in dietetic practice is high, health apps and other mH ealth technologies are not currently being used for behaviour change, nor are they an integral part of the nutrition care process. Dietetic associations should provide training, education and advocacy to enable the profession to more effectively engage with and implement apps into their practice.
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 | 0,003 | 0,002 |
| 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 | 0,000 |
| 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 ».