Perceived confidence for injury self‑management increases for young men with mild haemophilia with the use of the mobile app HIRT?
Notice bibliographique
Résumé
Abstract Background: Young men with mild haemophilia have unique challenges pertaining to bleed management. They may not always identify musculoskeletal injury requiring medical attention as they do not bleed frequently, potentially resulting in significant health consequences. In response to these challenges, a team of clinicians, researchers and young men with mild haemophilia developed a self-assessment pathway which was converted into a mobile app. Aim: This study examined the influence of the mobile app, HIRT? (Hemophilia Injury Recognition Tool) on perceived injury self-management in young men with mild haemophilia in Canada. Methods: We used a mixed methods design. The quantitative data, through a self-report questionnaire, evaluated perceived injury self-management strategies and participant confidence levels. Non-parametric Wilcoxon signed-rank test and McNemar chi-square test were used to determine association between perceived self-management strategies when using and not using the app, with significant levels set at p<0.05. Qualitative data was created using interpretive description and inductive content analysis of recorded and transcribed interviews. Results: 12 young men, aged 18-35 years, participated. Perceived confidence levels significantly increased (p=0.004) with the use of the app. Five qualitative themes were identified: accessibility, credibility, the benefit of alarms, confidence and usefulness. Conclusion: This study provides promising evidence to support the feasibility and use of HIRT? as an injury self-management tool for young men with mild haemophilia. Future research should prospectively investigate the effect of the app on injury selfmanagement confidence.
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 | 0,001 |
| 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 | 0,001 | 0,005 |
| Science ouverte | 0,001 | 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 ».