MASK 2017: ARIA digitally-enabled, integrated, person-centred care for rhinitis and asthma multimorbidity using real-world-evidence
Notice bibliographique
Résumé
mHealth, such as apps running on consumer smart devices is becoming increasingly popular and has the potential to profoundly affect healthcare and health outcomes. However, it may be disruptive and results achieved are not always reaching the goals. Allergic Rhinitis and its Impact on Asthma (ARIA) has evolved from a guideline using the best evidence-based approach to care pathways suited to real-life using mobile technology in allergic rhinitis (AR) and asthma multimorbidity. Patients largely use over-the-counter medications dispensed in pharmacies. Shared decision making centered around the patient and based on self-management should be the norm. Mobile Airways Sentinel networK (MASK), the Phase 3 ARIA initiative, is based on the freely available MASK app ( the Allergy Diary , Android and iOS platforms). MASK is available in 16 languages and deployed in 23 countries. The present paper provides an overview of the methods used in MASK and the key results obtained to date. These include a novel phenotypic characterization of the patients, confirmation of the impact of allergic rhinitis on work productivity and treatment patterns in real life. Most patients appear to self-medicate, are often non-adherent and do not follow guidelines. Moreover, the Allergy Diary is able to distinguish between AR medications. The potential usefulness of MASK will be further explored by POLLAR (Impact of Air Pollution on Asthma and Rhinitis), a new Horizon 2020 project using the Allergy Diary .
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 | 0,009 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,027 | 0,008 |
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 ».