Utilizing Consumer Technology (Apple’s ResearchKit) for Medical Studies by Patients and Researchers: Proof of Concept of the Novel Platform REach
Notice bibliographique
Résumé
Medical research suffers from declining response rates, hampering the quest for answers to clinically relevant research questions. Furthermore, objective data on a number of important study variables, such as physical activity, sleep, and nutrition, are difficult to collect with the traditional methods of data collection. Reassuringly, current technological developments could overcome these limitations. In addition, they may enable research being established by patients themselves provided that they have access to a user-friendly platform. Using the features of Apple's ResearchKit, an informed consent procedure, questionnaire, linkage with HealthKit data, and "active tasks" may be administered through a publicly available app. However, ResearchKit requires programming skills, which many patients and researchers lack. Therefore, we developed a platform (REach) with drag and drop functionalities producing a ready-to-use code that can be embedded in existing or new apps. Participants in the pilot study were very satisfied with data collection through REach and measurement error was minimal. In the era of declining participation rates in observational studies and patient involvement, new methods of data collection, such as REach, are essential to ensure that clinically relevant research questions are validly answered. Due to linkage with HealthKit and active tasks, objective health data that are impossible to collect with the traditional methods of data collection can easily be collected.
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 | 0,007 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| 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 | 0,000 |
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 ».