A parent–science partnership to improve postsurgical pain management in young children: Co-development and usability testing of the Achy Penguin smartphone-based app
Notice bibliographique
Résumé
BACKGROUND: Young children are at risk for poorly managed pain after surgery, with significant negative consequence to their quality of life and health outcomes. Mobile applications offer a highly accessible, engaging, and interactive medium to improve pain assessment and management; however, they generally lack scientific foundation or support. AIMS: The aims of this study were to describe a successful parent-science partnership in the development and testing of Achy Penguin, a parent-developed iOS app to help assess and manage acute pain in young children, and to evaluate and refine the usability of Achy Penguin in young children with acute postoperative pain. METHODS: = 6-7 children/cycle). Semistructured qualitative interviews were analyzed using simple content analysis. RESULTS: Feedback from children and further integration of evidence-based pediatric pain knowledge led to refinements in app pain assessment and management content, as well as app flow and functionality. Changes improved children's ease of use and understanding and satisfaction by simplifying language in app instructions and content, adding audio and pictorial instructions, and increasing the engagement, interactiveness, immersiveness, and general appeal of pain management strategies. CONCLUSIONS: This article showcases the value of collaborative partnerships between various stakeholders (parents, app developers, and researcher/health care providers) to address gaps in pediatric pain care. The Achy Penguin app shows promise for improving pain assessment and management in young children, although further evaluation of app effectiveness and implementation is warranted.
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 | 0,015 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 ».