Developing a Patient-Centered mHealth App: A Tool for Adolescents With Type 1 Diabetes and Their Parents
Notice bibliographique
Résumé
BACKGROUND: Type 1 diabetes (T1D) afflicts approximately 154,000 people under 20 years of age. Three-quarters of adolescents are not achieving glycosylated hemoglobin (HbA1c) targets, which leads to negative health outcomes. Mobile health (mHealth), the use of technology in health, has been used successfully to improve health in many chronic conditions, including diabetes. OBJECTIVE: The purpose of this study was to use patient-centered research methods to inform and improve the design and functionality of our T1D app, MyT1DHero, and to provide insight for others who are designing a health app for adolescents and parents. METHODS: This study included data from focus groups with participants recruited from the Juvenile Diabetes Research Foundation (JDRF) southeast Michigan's family network. All data collected during the sessions were audio-recorded, transcribed, and coded. RESULTS: Four key themes were identified: (1) diabetes is unpredictable, (2) negative and frustrated communication, (3) motivations to use an app, and (4) feedback specific to our app. CONCLUSIONS: A patient-centered approach was used to assist in the development of an app for adolescents with T1D. Participants were satisfied with overall app design; customization, interactivity, and tangible rewards were identified as being necessary for continued use. Participants believed the app would help improve the communication between parents and adolescents. Many apps developed in the health context have not used a patient-centered design method or have seen vast improvements in health. This paper offers suggestions to others seeking to develop apps for adolescents and their parents.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,008 | 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 ».