The Implementation Effectiveness of a Freely Available Pediatric Cancer Pain Assessment App: A Pilot Implementation Study
Notice bibliographique
Résumé
BACKGROUND: Pain Squad is an evidence-based, freely available iOS app designed to assess pain in children with cancer. Once research-based technologies such as Pain Squad are validated, it is important to evaluate their performance in natural settings to optimize their real-world clinical use. OBJECTIVE: The objective of this study was to evaluate the implementation effectiveness of Pain Squad in a natural setting. METHODS: Parents of 149 children with cancer (aged 8-18 years) were contacted to invite their child to participate. Participating children downloaded Pain Squad on their own iOS devices from the Apple App Store and reported their pain using the app twice daily for 1 week. Participants then emailed their pain reports from the app to the research team and completed an online survey on their experiences. Key implementation outcomes included acceptability, appropriateness, cost, feasibility, fidelity, penetration, and sustainability. RESULTS: Of the 149 parents contacted, 16 of their children agreed to participate. More than a third (6/16, 37.5%) of participating children returned their pain reports to the research team. Adherence to the pain assessments was 62.1% (mean 8.7/14 assessments). The 6 children who returned reports rated the app as highly feasible to download and use and rated their overall experience as acceptable. They also reported that they would be willing to sustain their Pain Squad use over several weeks and that they would recommend it to other children with cancer, which suggests that it may have potential for penetration. CONCLUSIONS: While Pain Squad was well received by the small number of children who completed the study, user uptake, engagement, and adherence were significant barriers to the implementation of Pain Squad in a natural setting. Implementation studies such as this highlight important challenges and opportunities for promoting the use and uptake of evidence-based technologies by the intended end-users.
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 | 0,022 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».