Views of Patients on Using mHealth to Monitor and Prevent Diabetic Foot Ulcers: Qualitative Study
Notice bibliographique
Résumé
BACKGROUND: People with diabetes are at risk for diabetic foot ulcers (DFUs), which can lead to limb loss and a significant decrease in quality of life. Evidence suggests that mHealth can be an effective tool in diabetes self-management. mHealth presents an opportunity for the prevention and monitoring of DFUs. However, there is a paucity of research that explores its effectiveness in the DFU patient population, as well as the views and attitudes of these patients toward technology and mHealth. OBJECTIVE: This study aimed to explore the views, attitudes, and experiences of a diabetic patient population with or at risk of DFUs regarding technology, mHealth, and the diabetic foot. METHODS: We used a qualitative research approach using in-depth interviews with 8 patients with DFUs. Questions were structured around experience with technology, current health practices related to diabetic foot care, and thoughts on using an mHealth device that prevents and monitors DFUs. We transcribed and thematically analyzed all interviews. RESULTS: All patients had positive responses for an mHealth intervention aimed at preventing and monitoring DFUs. We found 4 themes in the data: diversity in use of technology, feet-checking habits, 2-way communication with health care professionals (HCPs), and functionality. There were varying levels of familiarity with and dependence on technology within this patient population. These relationships correlated with distinct generations found in North America, including baby boomers and Generation X. Furthermore, we found that most patients performed daily feet checks to monitor any changes in health. However, some did not perform feet checks prior to the development of a DFU. Patients expressed interest in 2-way communication with HCPs that would allow for easier appointment scheduling, sharing of medical data, decreased number of visits, and use of alerts for when medical attention is required. Patients also identified conditions of functionality for the mHealth intervention. These included consideration of debilitating complications because of diabetes, such as retinopathy and decreased mobility; ease of use of the intervention; and implementation of virtual communities to support continued use of the intervention. CONCLUSIONS: Our patient population expressed an interest in mHealth for preventing and monitoring DFUs, although some participants were not frequent users of technology. mHealth continues to show potential in improving patient outcomes, and this study provides a foundation for designing interventions specific to a DFU population. Further research is needed to confirm these findings.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,009 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,004 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».