Assessing the Need for Mobile Health (mHealth) in Monitoring the Diabetic Lower Extremity
Notice bibliographique
Résumé
BACKGROUND: Complications of the diabetic lower extremity (such as diabetic foot ulcers, DFUs) occur when monitoring is infrequent, and often result in serious sequelae like amputation or even death. OBJECTIVE: To evaluate the potential application of mobile health (mHealth) to diabetic foot monitoring. We surveyed the self-management routines of a group of diabetic patients, as well as patient and clinician opinions on the use of mHealth in this context. METHODS: Patients with DFUs in Toronto, Ontario, Canada completed a 25-item questionnaire addressing their foot care practices, mobile phone use, and views on mHealth. Wound care clinicians across Canada were also surveyed using a 9-item questionnaire. RESULTS: Of the patients surveyed, 59/115 (51.3%) spend less than a minute checking their feet, and 17/115 (15%) of patients find it difficult to see their doctor or get to the hospital regularly. Mobile phone use was widespread in our patient cohort (93/115, 80.9%). Of mobile phone users, 68/93 (73.1%) would use a device on their mobile phone to help them check their feet. Of the clinicians who completed the questionnaire, only 7/202 (3.5%) were familiar with mHealth; however, 181/202 (92%) of clinicians expressed interest in using mHealth to monitor their patients between visits. CONCLUSIONS: Patient education or motivation and clinician training were identified as the major barriers to mHealth use in the diabetic lower extremity, which may be a viable mechanism to improve DFU monitoring practices.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».