The Atrial Fibrillation Health Literacy Information Technology System: Pilot Assessment
Notice bibliographique
Résumé
Background: Atrial fibrillation (AF) is a highly prevalent heart rhythm condition that has significant associated morbidity and requires chronic treatment. Mobile health (mHealth) technologies have the potential to enhance multiple aspects of AF care, including education, monitoring of symptoms, and encouraging and tracking medication adherence. We have previously implemented and tested relational agents to improve outcomes in chronic disease and sought to develop a smartphone-based relational agent for improving patient-centered outcomes in AF. Objective: The objective of this study was to pilot a smartphone-based relational agent as preparation for a randomized clinical trial, the Atrial Fibrillation Health Literacy Information Technology Trial (AF-LITT). Methods: We developed the relational agent for use by a smartphone consistent with our prior approaches. We programmed the relational agent as a computer-animated agent to simulate a face-to-face conversation and to serve as a health counselor or coach specific to AF. Relational agent’s dialogue content, informed by a review of literature, focused on patient-centered domains and qualitative interviews with patients with AF, encompassed AF education, common symptoms, adherence challenges, and patient activation. We established that the content was accessible to individuals with limited health or computer literacy. Relational agent content coordinated with use of the smartphone AliveCor Kardia heart rate and rhythm monitor. Participants (N=31) were recruited as a convenience cohort from ambulatory clinical sites and instructed to use the relational agent and Kardia for 30 days. We collected demographic, social, and clinical characteristics and conducted baseline and 30-day assessments of health-related quality of life (HRQoL) with the Atrial Fibrillation Effect on Quality of life (AFEQT) measure; self-reported medication adherence with the Morisky 8-item Medication Adherence Scale (MMAS-8); and patient activation with the Patient Activation Measure (PAM). Results: Participants (mean age 68 [SD 11]; 39% [12/31] women) used the relational agent for an average 17.8 (SD 10.0) days. The mean number of independent log-ins was 19.6 (SD 10.7), with a median of 20 times over 30 days. The mean number of Kardia uses was 26.5 (SD 5.9), and participants using Kardia were in AF for 14.3 (SD 11.0) days. AFEQT scores improved significantly from 64.5 (SD 22.9) at baseline to 76.3 (SD 19.4) units at 30 days (P<.01). We observed marginal but statistically significant improvement in self-reported medication adherence (baseline: 7.3 [SD 0.9], 30 days: 7.7 [SD 0.5]; P=.01). Assessments of acceptability identified that most of the participants found the relational agent useful, informative, and trustworthy. Conclusions: We piloted a 30-day smartphone-based intervention that combined a relational agent with dedicated content for AF alongside Kardia heart rate and rhythm monitoring. Pilot participants had favorable improvements in HRQoL and self-reported medication adherence, as well as positive responses to the intervention. These data will guide a larger, enhanced randomized trial implementing the smartphone relational agent and the Kardia monitor system.
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 | 0,016 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».