Mobile App Design, Development, and Publication for Adverse Drug Reaction Assessments of Causality, Severity, and Preventability
Notice bibliographique
Résumé
BACKGROUND: Adverse drug reactions (ADRs) cause significant morbidity and mortality. Improved assessment of ADRs to identify the causal relationship, the severity, and the preventability will aid ADRs prevention or reduce patient burden. OBJECTIVE: The aim of this study was to develop mobile apps in assisting clinical decision in ADR assessments of causality, severity, and preventability using validated tools. The usability of the apps was assessed. METHODS: We designed mobile apps using validated assessment tools for ADRs. They are the Liverpool ADRs Causality Assessment Tool, Hartwig's Severity Assessment Scale, and the Modified Schumock and Thronton Preventability Scale. The apps were named "Adverse Drug ReactionCausality," "Adverse Drug ReactionSeverity," and "Adverse Drug RxnPreventability." A survey was conducted using the System Usability Scale (SUS) to assess the usability of the developed apps among health care professionals. RESULTS: These apps are available for download through Google Play Store for free since January 2015. From the survey, the mean SUS score was 70.9 based on 26 responses from the pediatric ward of Hospital Ampang, Malaysia. CONCLUSIONS: The developed apps received an overall acceptable usability among health care professionals. The usage of these apps will improve detection, assessment, and avoidance of future ADRs. They will also contribute to future research on ADRs, thus increasing drug safety.
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 | 0,002 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».