Functionality, Implementation, Impact, and the Role of Health Literacy in Mobile Phone Apps for Gestational Diabetes: Scoping Review
Notice bibliographique
Résumé
BACKGROUND: The increasing ownership of mobile phones and advances in hardware and software position these devices as cost-effective personalized tools for health promotion and management among women with gestational diabetes mellitus (GDM). Numerous mobile phone apps are available online; however, to our knowledge, no review has documented how these apps are developed and evaluated in relation to GDM. OBJECTIVE: The objective of our review was to answer the following 2 research questions: (1) What is known from the existing literature about the availability, functionality, and effectiveness of mobile phone apps on GDM prevention and management? (2) What is the role of health literacy in these apps? METHODS: We searched 7 relevant electronic databases for original research documents using terms related to mobile phone apps, GDM, and health literacy. We thematically categorized selected articles using a framework adapted from Arksey and O'Malley. RESULTS: We included 12 articles related to 7 apps or systems in the final analysis. We classified articles around 2 themes: (1) description of the development, feasibility, or usability of the apps or systems, and (2) trial protocols. The degree of personalization varied among the apps for GDM, and decision support systems can be used to generate time-efficient personalized feedback for both patients and health care providers. Health literacy was considered during the development or measured as an outcome by some apps. CONCLUSIONS: There is a limited body of research on mobile phone apps in relation to GDM prevention and management. Mobile phone apps can provide time- and cost-efficient personalized interventions for GDM. Several randomized controlled trials have been launched recently to evaluate the effectiveness of the apps. Consideration of health literacy should be improved when developing features of the apps.
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 | 0,017 | 0,096 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,011 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 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 ».