Research-Tested Mobile Apps for Breast Cancer Care: Systematic Review
Notice bibliographique
Résumé
BACKGROUND: The use of mobile health (mHealth) apps in clinical settings is increasing widely. mHealth has been used to promote prevention, improve early detection, manage care, and support survivors and chronic patients. However, data on the efficacy and utility of mHealth apps are limited. OBJECTIVE: The main objective of this review was to provide an overview of the available research-tested interventions using mHealth apps and their impact on breast cancer care. METHODS: A systematic search of Medline, PsycINFO, Embase, and Scopus was performed to identify relevant studies. From the selected studies, the following information was extracted: authors, publication date, study objectives, study population, study design, interventions' features, outcome measures, and results. RESULTS: We identified 29 empirical studies that described a health care intervention using an mHealth app in breast cancer care. Of these, 7 studies were about the use of an mHealth application in an intervention for breast cancer prevention and early detection, 12 targeted care management, and 10 focused on breast cancer survivors. CONCLUSIONS: Our results indicate consistent and promising findings of interventions using mHealth apps that target care management in breast cancer. Among the categories of mHealth apps focusing on survivorship, mHealth-based interventions showed a positive effect by promoting weight loss, improving the quality of life, and decreasing stress. There is conflicting and less conclusive data on the effect of mHealth apps on psychological dimensions. We advocate further investigation to confirm and strengthen these findings. No consistent evidence for the impact of interventions using mHealth apps in breast cancer prevention and early detection was identified due to the limited number of studies identified by our search. Future research should continue to explore the impact of mHealth apps on breast cancer care to build on these initial recommendations.
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 | 0,008 | 0,041 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,007 |
| Bibliométrie | 0,007 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».