Challenges in the Development of e-Quit worRx: An iPad App for Smoking Cessation Counseling and Shared Decision Making in Primary Care
Notice bibliographique
Résumé
BACKGROUND: Smoking is the leading preventable cause of morbidity and mortality in the United States, killing more than 450,000 Americans. Primary care physicians (PCPs) have a unique opportunity to discuss smoking cessation evidence in a way that enhances patient-initiated change and quit attempts. Patients today are better equipped with technology such as mobile devices than ever before. OBJECTIVE: The aim of this study was to evaluate the challenges in developing a tablet-based, evidence-based smoking cessation app to optimize interaction for shared decision making between PCPs and their patients who smoke. METHODS: A group of interprofessional experts developed content and a graphical user interface for the decision aid and reviewed these with several focus groups to determine acceptability and usability in a small population. RESULTS: Using a storyboard methodology and subject matter experts, a mobile app, e-Quit worRx, was developed through an iterative process. This iterative process helped finalize the content and ergonomics of the app and provided valuable feedback from both patients and provider teams. Once the app was made available, other technical and programmatic challenges arose. CONCLUSIONS: Subject matter experts, although generally amenable to one another's disciplines, are often challenged with effective interactions, including language, scope, clinical understanding, technology awareness, and expectations. The successful development of this app and its evaluation in a clinical setting highlighted those challenges and reinforced the need for effective communications and team building.
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 | 0,037 | 0,051 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| 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 ».