Review of cognitive behavioural therapy mobile apps using a reference architecture embedded in the patient-provider relationship
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
BACKGROUND: Mobile health apps (mHealth apps) are increasing in popularity and utility for the management of many chronic diseases. Although the current reimbursement structure for mHealth apps is lagging behind the rapidly improving functionality, more clinicians will begin to recommend these apps as they prove their clinical worth. Payors such as the government or private insurance companies will start to reimburse for the use of these technologies, especially if they add value to patients by providing timely support, a more streamlined patient experience, and greater patient convenience. Payors are likely to see benefits for providers, as these apps could help increase productivity between in-office encounters without having to resort to expensive in-person visits when patients are having trouble managing their disease. KEY FINDINGS: To guide and perhaps speed up adoption of mHealth apps by patients and providers, analysis and evaluation of existing apps needs to be carried out and more feedback must be provided to app developers. In this paper, an evaluation of 35 mHealth apps claiming to provide cognitive behavioural therapy was conducted to assess the quality of the patient-provider relationship and evidence-based practices embedded in these apps. The mean score across the apps was 4.9 out of 20 functional criteria all of which were identified as important to the patient-provider relationship. The median score was 5 out of these 20 functional criteria. CONCLUSION: Overall, the apps reviewed were mostly stand-alone apps that do not enhance the patient-provider relationship, improve patient accountability or help providers support patients more effectively between visits. Large improvements in patient experience and provider productivity can be made through enhanced integration of mHealth apps into the healthcare system.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| 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 découle