Patient Perceptions of Their Own Data in mHealth Technology–Enabled N-of-1 Trials for Chronic Pain: Qualitative Study
Notice bibliographique
Résumé
BACKGROUND: N-of-1 (individual comparison) trials are a promising approach for comparing the effectiveness of 2 or more treatments for individual patients; yet, few studies have qualitatively examined how patients use and make sense of their own patient-generated health data (PGHD) in the context of N-of-1 trials. OBJECTIVE: The objective of our study was to explore chronic pain patients' perceptions about the PGHD they compiled while comparing 2 chronic pain treatments and tracking their symptoms using a smartphone N-of-1 app in collaboration with their clinicians. METHODS: Semistructured interviews were recorded with 33 patients, a consecutive subset of the intervention group in a primary study testing the feasibility and effectiveness of the Trialist N-of-1 app. Interviews were transcribed verbatim, and a descriptive thematic analysis was completed. RESULTS: Patients were enthusiastic about recording and accessing their own data. They valued sharing data with clinicians but also used their data independently. CONCLUSIONS: N-of-1 trials remain a promising approach to evidence-based decision making. Patients appear to value their roles as trial participants but place as much or more importance on the independent use of trial data as on comparative effectiveness results. Future efforts to design patient-centered N-of-1 trials might consider adaptable designs that maximize patient flexibility and autonomy while preserving a collaborative role with clinicians and researchers.
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 | 0,011 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 ».