The Potential of Self-Management mHealth for Pediatric Cystic Fibrosis: Mixed-Methods Study for Health Care and App Assessment
Notice bibliographique
Résumé
BACKGROUND: Remote care services and patient empowerment have boosted mobile health (mHealth). A study of user needs related to mHealth for pediatric cystic fibrosis (PCF) identified the set of preferred features mobile apps should support; however, the potential use of PCF apps and their suitability to fit into PCF clinical management remains unexplored. OBJECTIVE: We examine whether PCF holds potential for the implementation of mHealth care. METHODS: The study is based on a literature review and qualitative analysis of content and was conducted in two parts: (1) we reviewed scientific and gray literature to explore how European countries manage PCF and conducted a qualitative study of 6 PCF units and (2) we performed a systematic review of apps available in the myhealthapps.net repository searching for cystic fibrosis (CF) management and nutrition apps, which we analyzed for characteristics, business models, number of downloads, and usability. RESULTS: European CF routine care guidelines are acknowledged in most European countries, and treatments are fully covered in almost all countries. The majority of teams in CF units are interdisciplinary. With respect to the systematic review of apps, we reviewed 12 apps for CF management and 9 for general nutrition management in the myhealthapps.net directory. All analyzed apps provided functionalities for recording aspects related to the disease and nutrition such as medication, meals, measurements, reminders, and educational material. None of the apps reviewed in this study supported pancreatic enzyme replacement therapy. CF apps proved to be less appealing and usable than nutrition apps (2.66 [SD 1.15] vs 4.01 [SD 0.90]; P<.001, z-value: -2.6). User needs detected in previous research are partially matched by current apps for CF management. CONCLUSIONS: The health care context for PCF is a unique opportunity for the adoption of mHealth. Well-established clinical guidelines, heterogeneous clinical teams, and coverage by national health care systems provide a suitable scenario for the use of mHealth solutions. However, available apps for CF self-management do not cover essential aspects such as nutrition and education. To increase the adoption of mHealth for CF self-management, new apps should include these features. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): RR2-10.1136/bmjopen-2016-014931.
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 | 0,057 | 0,090 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,006 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».