Mobile Health Features Supporting Self-Management Behavior in Patients With Chronic Arthritis: Mixed-Methods Approach on Patient Preferences
Notice bibliographique
Résumé
BACKGROUND: Patients with chronic arthritis (CA) ideally apply self-management behaviors between consultations. This enduring, tedious task of keeping track of disease-related parameters, adhering to medication schemes, and engaging in physical therapy may be supported by using a mobile health (mHealth) app. However, further research is needed to determine which self-management features are valued most by adult patients with CA patients. OBJECTIVE: The aim of this study was to determine the preference of features for an mHealth app to support self-management behavior in patients with CA. In addition, we aimed to explore the motives behind these ratings. METHODS: A mixed-methods approach was used to gather information from 31 adult patients (14 females), aged 23 to 71 years (mean 51 [SD 12.16]), with CA. Structured interviews were conducted to gather data pertaining to preferences of app features. Interviews were analyzed qualitatively, whereas ratings for each of the 28 features studied were analyzed quantitatively. RESULTS: In general, patients with CA favored the use of features pertaining to supporting active and direct disease management, (eg, medication intake and detecting and alarming of bad posture), helping them to keep a close watch on their disease status and inform their health care professional (eg, providing a means to log and report disease-related data) and receiving personalized information (eg, offering tailored information based on the patient's health data). Patients strongly disliked features that provide a means of social interaction or provide incentivization for disease-related actions (eg, being able to compare yourself with other patients, cooperating toward a common goal, and receiving encouragement from friends and/or family). Driving these evaluations is the finding that every patient with CA hurts in his/her own way, the way the disease unfolds over time and manifests itself in the patient and social environment is different for every patient, and patients with CA are well aware of this. CONCLUSIONS: We have offered an insight into how patients with CA favor mHealth features for self-management apps. The results of this research can inform the design and development of prospective self-management apps for patients with CA.
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 | 0,031 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».