Issues in Child and Adolescent Inpatient Assessment and Evaluation After Discharge: Protocol for App Development and a Randomized Controlled Trial
Notice bibliographique
Résumé
BACKGROUND: New methods are needed for collecting data of in- and outpatients and for improving outpatient compliance after discharge. Mobile technologies, such as smartphone apps, have shown promising results, (eg, helping unwell people by offering support and resources). Screening for the condition, including comorbidities, is a vital part of psychiatric care. Comorbid conditions, especially in emergency evaluation, are often missed, leading to inaccurate diagnosis and treatment. One way of improving diagnostic accuracy is to use a structured diagnostic process. Digitalized screening and follow-up have the advantage of making administration and scoring easier and less time consuming, thereby increasing response rate. To address these problems, we decided to create a smartphone app called The Blue App. The Blue App was developed through 6 steps, described in the manuscript. OBJECTIVE: The aim of this paper is to describe (1) the development of The Blue App and (2) 2 planned research studies to evaluate the app. METHODS: Two studies will be performed. Study 1 has a descriptive design, mapping comorbidities before and after the introduction of The Blue App. Study 2 has a randomized controlled design, measuring compliance with outpatient treatments as well as depressive symptoms, rated as changes in Montgomery-Åsberg Depression Scale scores during a 1-year follow-up. RESULTS: We have described app development. Data collection for Study 1 started in autumn 2017. Study 2 will start in autumn 2018. We expect to have enrolled the 150 patients in Study 2 by December 2019. Final results will be published in a scientific journal. CONCLUSIONS: A technically advanced and easy-to-use Web-based mobile phone app corresponding to the unit's needs was developed, and 2 studies are planned to evaluate its usefulness. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): RR1-10.2196/10121.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,043 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,006 | 0,003 |
| Méta-épidémiologie (sens large) | 0,010 | 0,007 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,007 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,086 | 0,013 |
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 source (Gemma direct ou Codex distillé), 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 ».