MétaCan
Menu
Retour à la cohorte
Enregistrement W2900194327 · doi:10.2196/12178

Evaluating the Use of Mobile Health Technology in Older Adults With Heart Failure: Mixed-Methods Study

2018· article· en· W2900194327 sur OpenAlexvenueno aff
Leanne L. Lefler, Sarah Rhoads, Melodee Harris, Ashley E Funderburg, S Lubin, Isis D Martel, Jennifer L. Faulkner, J Rooker, Deborah K Bell, Heather Marshall, Claudia J. Beverly

Notice bibliographique

RevueJMIR Aging · 2018
Typearticle
Langueen
DomaineMedicine
ThématiqueHeart Failure Treatment and Management
Établissements canadiensnon disponible
Organismes subventionnairesCenters for Disease Control and PreventionAmerican Association of Colleges of Nursing
Mots-clésmHealthMedicineTelemedicineDigital healthRandomized controlled trialAnxietyHealth careSelf-managementMedical emergencyQuality of life (healthcare)GerontologyPhysical therapyPsychological interventionNursingInternal medicinePsychiatry

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Heart failure (HF) is associated with high rates of hospitalizations, morbidity, mortality, and costs. Remote patient monitoring (mobile health, mHealth) shows promise in improving self-care and HF management, thus increasing quality of care while reducing hospitalizations and costs; however, limited information exists regarding perceptions of older adults with HF about mHealth use. OBJECTIVE: This study aimed to compare perspectives of older adults with HF who were randomized to either (1) mHealth equipment connected to a 24-hour call center, (2) digital home equipment, or (3) standard care, with regard to ease and satisfaction with equipment, provider communication and engagement, and ability to self-monitor and manage their disease. METHODS: We performed a pilot study using a mixed-methods descriptive design with pre- and postsurveys, following participants for 12 weeks. We augmented these data with semistructured qualitative interviews to learn more about feasibility, satisfaction, communication, and self-management. RESULTS: We enrolled 28 patients with HF aged 55 years and above, with 57% (16/28) male, 79% (22/28) non-Hispanic white, and with multiple comorbid conditions. At baseline, 50% (14/28) rated their health fair or poor and 36% (10/28) and 25% (7/28) were very often/always frustrated and discouraged by their health. At baseline, 46% (13/28) did not monitor their weight, 29% (8/28) did not monitor their blood pressure, and 68% (19/28) did not monitor for symptoms. Post intervention, 100% of the equipment groups home monitored daily. For technology anxiety, 36% (10/28) indicated technology made them nervous, and 32% (9/28) reported fear of technology, without significant changes post intervention. Technology usability post intervention scored high (91/100), reflecting ease of use. A majority indicated that a health care provider should be managing their health, and 71% reported that one should trust and not question the provider. Moreover, 57% (16/28) believed it was better to seek professional help than caring for oneself. Post intervention, mHealth users relied more on themselves, which was not mirrored in the home equipment or standard care groups. Participants were satisfied with communication and engagement with providers, yet many described access problems. Distressing symptoms were unpredictable and prevailed over the 12 weeks with 79 provider visits and 7 visits to emergency departments. The nurse call center received 872 readings, and we completed 289 telephone calls with participants. Narrative data revealed the following main themes: (1) traditional communication and engagement with providers prevailed, delaying access to care; (2) home monitoring with technology was described as useful, and mHealth users felt secure knowing that someone was observing them; (3) equipment groups felt more confident in self-monitoring and managing; and finally, (4) uncertainty and frustration with persistent health problems. CONCLUSIONS: mHealth equipment is feasible with potential to improve patient-centered outcomes and increase self-management in older adults with HF.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,019
score de la tête « metaresearch » (Gemma)0,017
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,019
Score d'incertitude au seuil0,101

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0190,017
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,003
Bibliométrie0,0020,002
Études des sciences et des technologies0,0020,001
Communication savante0,0020,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,050
Tête enseignante GPT0,437
Écart entre enseignants0,386 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations68
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR AgingMême sujetHeart Failure Treatment and ManagementTravaux en français237 207