Self-management of Chronic Conditions Using mHealth Interventions in Korea: A Systematic Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
OBJECTIVES: Population aging has increased the burden of chronic diseases globally. mHealth is often cited as a viable solution to enhance the management of chronic conditions. In this study, we conducted a systematic review of mHealth interventions for the self-management of chronic diseases in Korea, a highly-connected country with a high chronic care burden. METHODS: Five databases were searched for relevant empirical studies that employed randomized controlled trial (RCT) or quasi-experimental methods published in English or Korean from the years 2008 to 2018. The selected studies were reviewed according to the PRISMA guidelines. The selected studies were classified using the Individual and Family Self-Management Theory conceptual framework. RESULTS: Sixteen studies met the inclusion criteria, 9 of which were targeted towards diabetes management, and 7 of which were RCTs. Other target diseases included hypertension, stroke, asthma, and others. mHealth interventions were primarily delivered through smartphone applications, mobile phones connected to a monitoring device, and short message services (SMS). Various self-management processes were applied, including providing social influence and support, and facilitating self-monitoring and goal setting. Eleven studies showed mHealth interventions to be effective in improving self-management behaviors, biomarkers, or patient-reported outcome measures associated with chronic diseases. CONCLUSIONS: While the number of identified studies was not large, none reported negative impacts of mHealth on selected outcomes. Future studies on mHealth should design interventions with a greater variety of targeted functions and should adopt more rigorous methodologies to strengthen the evidence for its effectiveness in chronic disease management.
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.
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 | 0,020 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,002 |
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.
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 découle