Abstract 21029: Achieving High Retention in Mobile Health Research Using Design Principles Adopted From Widely Popular Consumer Mobile Apps
Notice bibliographique
Résumé
Introduction: While mHealth platforms can enable rapid participant recruitment, the first 5 ResearchKit apps retained less than 10% of daily participants after the first 90 days, whereas well-optimized consumer mobile apps like Instagram and Twitter retain 31% and 48%, respectively. We proposed to apply design principles from the world of consumer internet to achieve high engagement and retention in a mHealth study. Methods: We enrolled 14,011 users of Cardiogram for Apple Watch app into the Health eHeart Study, an IRB-approved study at UCSF. We applied 3 key design principles to drive engagement and retention. First, give valuable insights back to user—e.g., notify users of abnormal heart rate spikes, and show when exercise caused a lower resting heart rate trend—using Gottman’s ratio: for every negative insight, give 5 positive ones. Second, minimize latency so users’ data updates many times per day. Third, use simple user interfaces that easily visualize trends and provide insights in small digestible formats. Results: Mean age was 42.3 ± 12.1, 31% were women. Seven days after app install, 64% of participants were active; 63% were active after 30 days, and 54% after 90 days. Retention was consistent across age groups—day 90 retention was 52% for 20-40 y.o., 55% for 40-60, and 49% for above 60. Refreshing data as frequently as possible had the highest impact on user engagement—in A/B testing, where heart rate visualizations were updated less frequently, we saw 20.9% drop in daily active users (51951 to 41094) within 7 days. The ratio of daily to monthly active users, a key measure of engagement, is 69.8% in our study, while average mHealth app is 8%. Conclusions: By applying design techniques from consumer mobile apps, we achieved day 90 retention 5x higher than the best ResearchKit app, showing that mHealth studies can retain large cohorts of participants and collect unique ambulatory health data with high engagement, improving the impact of mobile health interventions.
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 | 0,041 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,003 |
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 ».