Designing a Mobile Health App for Patients With Dysphagia Following Head and Neck Cancer: A Qualitative Study
Notice bibliographique
Résumé
BACKGROUND: Adherence to swallowing rehabilitation exercises is important to develop and maintain functional improvement, yet more than half of head and neck cancer (HNC) patients report having difficulty adhering to prescribed regimens. Health apps with game elements have been used in other health domains to motivate and engage patients. Understanding the factors that impact adherence may allow for more effective gamified solutions. OBJECTIVE: The aim of our study was to (1) identify self-reported factors that influence adherence to conventional home therapy without a mobile device in HNC patients and (2) identify appealing biofeedback designs that could be used in a health app. METHODS: A total of 10 (4 females) HNC patients (mean=60.1 years) with experience completing home-based rehabilitation programs were recruited. Thematic analysis of semi-structured interviews was used to answer the first objective. Convergent interviews were used to obtain reactions to biofeedback designs. RESULTS: Facilitators and barriers of adherence to home therapy were described through 6 themes: patient perceptions on outcomes and progress, clinical appointments, cancer treatment, rehabilitation program, personal factors, and connection. App visuals that provide feedback on performance during swallowing exercises should offer an immediate representation of effort relative to a goal. Simple, intuitive graphics were preferred over complex, abstract ones. Continued engagement with the app could be facilitated by tracking progress and by using visuals that build structures with each use. CONCLUSIONS: This is a detailed documentation of the initial steps in designing a health app for a specific patient group. Results revealed the importance of patient engagement in early stages of app development.
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 | 0,001 | 0,001 |
| 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 | 0,002 | 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 ».