Notice bibliographique
Résumé
Smartphones have a variety of unique features including text-message communication, camera, sensors, and health applications (apps), which can be used to assist in monitoring an individual’s health, diet, and exercise, as well as support goal-focused strategies personalized to user needs. Mental health and diabetes management apps are two prominent examples that have been shown to be effective in improving specific health outcomes. Mental health apps provide day-to-day patient care by teaching users how to reduce stress, focusing on strategies to enhance mental well-being. Apps such as Kokoro, Headspace, and PRISM have been demonstrated to reduce symptoms of depression and anxiety, and psycho-education apps have been demonstrated to reduce symptoms and to enhance concentration during specific tasks. Many diabetes apps are accessible by patients and physicians, and include tracking features for nutrition, fitness, and hemoglobin A1c levels. Specialized apps with text-messaging services and personalized support have been associated with improvements in blood pressure and blood glucose control. Social forums also provide patients privacy and the freedom to discuss their conditions with comfort. Health apps are easily accessible and available at low or no cost, and can be an effective tool for educating patients with chronic disease, supporting collaborative self-management, extending the impact of healthcare providers, and include response anonymity. There remain significant challenges including the protection of private health information and the development of regulatory frameworks to evaluate app quality, effectiveness, and absence of harm. Overall, the implementation of smartphone apps in healthcare systems may decrease demand in clinics, reduce healthcare costs, and lead to an improvement in patient health.
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 | 0,002 | 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 | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 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 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 ».