MétaCan
Menu
Retour à la cohorte
Enregistrement W2782589719 · doi:10.2196/mhealth.8636

Hospital-Owned Apps in Taiwan: Nationwide Survey

2018· article· en· W2782589719 sur OpenAlexvenueno aff
Hao-Yen Liu, Wui‐Chiang Lee, Ying-Chou Sun, Jun-Jeng Fen, Tzeng‐Ji Chen, Li‐Fang Chou, Shinn‐Jang Hwang

Notice bibliographique

RevueJMIR mhealth and uhealth · 2018
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMedicineFamily medicineMedical emergencyBusinessInternet privacyComputer science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Over the last decade, the use of mobile phone apps in the health care industry has grown rapidly. Owing to the high penetration rate of Internet use in Taiwan, hospitals are eager to provide their own apps to improve the accessibility of medical care for patients. OBJECTIVE: The aims of this study were to provide an overview of the currently available hospital-owned apps in Taiwan and to conduct a cross-hospital comparison of app features. METHODS: In May 2017, the availability of apps from all 414 hospitals in Taiwan was surveyed from the hospital home pages and the Google Play app store. The features of the downloaded apps were then examined in detail and, for each app, the release date of the last update, download frequency, and rating score were obtained from Google Play. RESULTS: Among all the 414 hospitals in Taiwan, 150 (36.2%) owned Android apps that had been made available for public use, including 95% (18/19) of the academic medical centers, 77% (63/82) of the regional hospitals, and 22.0% (69/313) of the local community hospitals. Among the 13 different functionalities made available by the various hospital-owned apps, the most common were the doctor search (100%, 150/150), real-time queue monitoring (100%, 150/150), and online appointment scheduling (94.7%, 142/150) functionalities. The majority of apps (57.3%, 86/150) had a rating greater than 4 out of 5, 49.3% (74/150) had been updated at some point in 2017, and 36.0% (54/150) had been downloaded 10,000 to 50,000 times. CONCLUSIONS: More than one-third of the hospitals owned apps intended to increase patient access to health care. The most common app features might reflect the health care situation in Taiwan, where the overcrowded outpatient departments of hospitals operate in an open-access mode without any strict referral system. Further research should focus on the effectiveness and safety of these 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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,012
Score d'incertitude au seuil0,023

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0020,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,081
Tête enseignante GPT0,465
Écart entre enseignants0,384 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations22
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealthMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207