Digital Health Innovation: A Toolkit to Navigate From Concept to Clinical Testing
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Digital health technologies such as smartphone apps, Web-based platforms, and wearable devices are rapidly emerging as promising interventions for acute and chronic disease management, particularly in the field of cardiovascular medicine. However, there is limited guidance on how to effectively develop and rigorously test digital health interventions (DHIs). Through our experience with innovating Corrie, a smartphone-based app paired with a smartwatch and blood pressure monitor for myocardial infarction recovery in the acute setting, we aim to provide a toolkit for navigating the digital health technology development and clinical testing processes. The toolkit consists of 6 steps: step one emphasizes concept generation by defining a specific clinical problem and the existing solutions aimed to address it; step two aims to recruit a multidisciplinary team within an academic institution; step three leverages technology accelerators and industry partnerships; step four develops the digital health technology with continuous feedback from patient and family end-users; step five solicits feedback from a diverse array of stakeholders; and step six performs a clinical study at a single site that, if successful, rapidly scales to multiple sites. DHI development is often a complex and vastly uncharted territory. By exploring the steps we took from concept to clinical testing with the first cardiology CareKit app, we hope to provide useful insights to teams that are starting out on their path to digital health innovation. We emphasize the central importance of embracing transdisciplinary work to move from silos to synergy.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,007 |
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 découle