Processes and Recommendations for Creating mHealth Apps for Low-Income Populations
Notice bibliographique
Résumé
BACKGROUND: Mobile health (mHealth) apps have shown to improve health indicators, but concerns remain about the inclusion of populations from low- and medium-income countries (LMIC) in these new technologies. Atrial fibrillation (AF) is a chronic condition with a challenging management. Previous studies have shown socioeconomic differences in the prescription of anticoagulant treatment and shared decision strategies are encouraged to achieve better outcomes. mHealth can aid both doctors and patients in this matter. OBJECTIVE: We describe the development of an mHealth app (aFib) idealized to aid shared decision between doctor and patient about anticoagulation prophylaxis in AF in a low-income and low-literacy population in Brazil. On the basis of our research, we suggest the processes to be followed when developing mHealth apps in this context. METHODS: A multidisciplinary team collected information about the target population and its needs and detected the best opportunity to insert the app in their current health care. Literature about the subject was reviewed and important data were selected to be delivered through good navigability, easy terminology, and friendly design. The app was evaluated in a multimethod setting. RESULTS: The steps suggested to develop an mHealth app target to LMIC are: (1) characterize the problem and the target user, (2) review the literature, (3) translate information to knowledge, (4) protect information, and (5) evaluate usability and efficacy. CONCLUSIONS: We expect that these recommendations can guide the development of new mHealth apps in LMIC, on a scientific basis.
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 | 0,020 | 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 ».