Mobile App for Simplifying Life With Diabetes: Technical Description and Usability Study of GlucoMan
Notice bibliographique
Résumé
BACKGROUND: Patients with diabetes can be affected by several comorbidities that require immediate action when occurring as they may otherwise cause fatal or consequential damage. For this reason, patients must closely monitor their metabolism and inject insulin when necessary. The documentation of glucose values and other relevant measurements is often still on paper in a diabetes diary. OBJECTIVE: The goal of this work is to develop and implement a novel mobile health system for the secure collection of relevant data referring to a person's metabolis and to digitize the diabetes diary to enable continuous monitoring for both patients and treating physicians. One specific subgoal is to enable data transmission of health parameters to secure data storage. METHODS: The process of implementing the system consists of (1) requirements analysis with patients and physicians to identify patient needs and specify relevant functionalities, (2) design and development of the app and the data transmission, and (3) usability study. RESULTS: We developed and implemented the mobile app GlucoMan to support data collection pertaining to a person's metabolism. An automated transfer of measured values from a glucometer was implemented. Medication and nutrition data could be entered using product barcodes. Relevant background knowledge such as information on carbohydrates was collected from existing databases. The recorded data was transmitted using international interoperability standards to the MIDATA.coop storage platform. The usability study revealed some design issues that needs to be solved, but in principle, the study results show that the app is easy to use and provides useful features. CONCLUSIONS: Data collection on a patient's metabolism can be supported with a multifunctional app such as GlucoMan. Besides monitoring, continuous data can be documented and made available to the treating physician. GlucoMan allows patients to monitor disease-relevant parameters and decide who accesses their health data. In this way, patients are empowered not only to manage diabetes but also manage their health data.
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 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».