MétaCan
Menu
Retour à la cohorte
Enregistrement W2884433642 · doi:10.2196/mhealth.8376

Improving Linkage to HIV Care Through Mobile Phone Apps: Randomized Controlled Trial

2018· article· en· W2884433642 sur OpenAlexvenueno aff
François Venter, Jesse Coleman, Vincent Lau Chan, Zara Shubber, Mothepane Phatsoane, Marelize Görgens, Lynsey Stewart‐Isherwood, Sergio Carmona, Nicole Fraser‐Hurt

Notice bibliographique

RevueJMIR mhealth and uhealth · 2018
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésRandomized controlled trialMobile phoneHuman immunodeficiency virus (HIV)Internet privacyLinkage (software)mHealthMedicinePsychologyComputer scienceFamily medicineNursingPsychological interventionTelecommunicationsInternal medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: In HIV treatment program, gaps in the "cascade of care" where patients are lost between diagnosis, laboratory evaluation, treatment initiation, and retention in HIV care, is a well-described challenge. Growing access to internet-enabled mobile phones has led to an interest in using the technology to improve patient engagement with health care. OBJECTIVE: The objectives of this trial were: (1) to assess whether a mobile phone-enabled app could provide HIV patients with laboratory test results, (2) to better understand the implementation of such an intervention, and (3) to determine app effectiveness in improving linkage to HIV care after diagnosis. METHODS: We developed and tested an app through a randomized controlled trial carried out in several primary health care facilities in Johannesburg. Newly diagnosed HIV-positive patients were screened, recruited, and randomized into the trial as they were giving a blood sample for initial CD4 staging. Trial eligibility included ownership of a phone compatible with the app and access to the internet. Trial participants were followed for a minimum of eight months to determine linkage to HIV care indicated by an HIV-related laboratory test result. RESULTS: The trial outcome results are being prepared for publication, but here we describe the significant operational and technological lessons provided by the implementation. Android was identified as the most suitable operating system for the app, due to Android functionality and communication characteristics. Android also had the most significant market share of all smartphone operating systems in South Africa. The app was successfully developed with laboratory results sent to personal smartphones. However, given the trial requirements and the app itself, only 10% of screened HIV patients successfully enrolled. We report on issues such as patient eligibility, app testing in a dynamic phone market, software installation and compatibility, safe identification of patients, linkage of laboratory results to patients lacking unique identifiers, and present lessons and potential solutions. CONCLUSIONS: The implementation challenges and lessons of this trial may assist future similar mHealth interventions to avoid some of the pitfalls. Ensuring sufficient expertise and understanding of the programmatic needs by the software developer, as well as in the implementation team, with adequate and rapid piloting within the target groups, could have led to better trial recruitment. However, the majority of screened patients were interested in the study, and the app was installed successfully in patients with suitable smartphones, suggesting that this may be a way to engage patients with their health care data in future. TRIAL REGISTRATION: ClinicalTrials.gov NCT02756949; https://clinicaltrials.gov/ct2/show/NCT02756949 (Archived by WebCite at http://www.webcitation.org/6z1GTJCNW).

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

Étiquettes directes de modèles (non validées)

Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.

BrasCatégoriesDevis d'étudeConfiance
gemmaaucune catégorie
Domaine: non disponible · Genre: Empirique
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Essai randomisélow
gptaucune catégorie
Domaine: non disponible · Genre: Empirique
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Essai randomisémedium
modèles en accordL'accord compare des ensembles de catégories et des devis identiques entre les bras.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,001
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Études des sciences et des technologies, Charge utile insuffisante (le modèle a refusé de juger)
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: Essai randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,171
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0050,001
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0030,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0040,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0010,002

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.

Tête enseignante Opus0,042
Tête enseignante GPT0,445
Écart entre enseignants0,403 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Étiqueté directement par 2 modèles lisant le dossier complet.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai randomisé
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations54
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealthMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207