MétaCan
Menu
Retour à la cohorte
Enregistrement W2604524833 · doi:10.3233/978-1-61499-742-9-49

Diabetes mHealth Apps: Designing for Greater Uptake

2017· article· en· W2604524833 sur OpenAlexaff
Ronak Brahmbhatt, Shadi Niakan, Nishita Saha, Anukriti Tewari, Ashfiya Pirani, Natasha Keshavjee, Dora Mugambi, Nasrin Alavi, Karim Keshavjee

Notice bibliographique

RevueStudies in health technology and informatics · 2017
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensYork UniversityUniversity of WaterlooUniversity of TorontoSNC-Lavalin (Canada)
Organismes subventionnairesnon disponible
Mots-clésmHealthMobile appsInternet privacyApp storeHealth careWorld Wide WebComputer scienceMedical educationMedicineNursingPsychological intervention

Résumé

récupéré en direct d'OpenAlex

mHealth apps are not being used. Over 45,000 mhealth apps are languishing in mobile app stores. We evaluated over 200 diabetes mobile apps found in the Apple and Google app stores using a framework that we recently published. None of the apps met all 15 criteria identified by our framework. The largest number of apps fell into the category of Type 1 diabetes blood sugar and medication trackers. Other types of apps included educational apps such as recipe apps, guideline dissemination apps, simple diabetes education apps, etc. There is a need for more Type 2 apps and for all types of apps that are better integrated into EMRs for more holistic care that can be prescribed by clinicians and monitored and supported by the health care team.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,062
score de la tête « metaresearch » (Gemma)0,090
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,062
Score d'incertitude au seuil0,328

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0620,090
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0030,001
Études des sciences et des technologies0,0030,001
Communication savante0,0070,010
Science ouverte0,0020,006
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,002

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.

Tête enseignante Opus0,153
Tête enseignante GPT0,488
Écart entre enseignants0,335 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations10
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueStudies in health technology and informaticsMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207