Implementing a self-management mobile app for spinal cord injury during inpatient rehabilitation and following community discharge: A feasibility study
Notice bibliographique
Résumé
Objective: To determine the feasibility of implementing and evaluating a self-management mobile app for spinal cord injury (SCI) during inpatient rehabilitation and following community discharge.Design: Pilot feasibility study.Setting: Rehabilitation hospital and community.Participants: Inpatients from rehabilitation hospital following admission for their first SCI.Intervention: A mobile app was developed to facilitate self-management following SCI. The app consisted of 18 tools focusing on goal setting, tracking various health aspects, and identifying confidence regarding components of self-management. In-person training and follow-up sessions were conducted during inpatient rehabilitation and follow-up calls were provided after participants were discharged into the community.Main outcome measures: Participants completed outcome measures at baseline, community discharge, and 3-months post discharge. This study focused on feasibility indicators including recruitment, retention, respondent characteristics, adherence, and app usage. Additionally, participants’ self-management confidence relating to SCI (e.g. medication, skin, bladder, pain) was evaluated over time.Results: Twenty participants (median age 39, IQR: 31 years, 85% male) enrolled in the study. Participants’ Spinal Cord Injury Independence Measure (SCIM-III) median score was 23 and IQR was 33 (range: 7–84), which did not correlate with app usage. Retention from admission to discharge was 85% and 70% from discharge to 3-months post discharge. Individuals in the study who used the app entered data an average of 1.7x/day in rehabilitation (n = 17), and 0.5x/day in the community (n = 7). Participants’ bowel self-management confidence improved between admission and discharge (P < 0.01).Conclusions: Feasibility indicators support a larger clinical trial during inpatient rehabilitation; however, there were challenges with retention and adherence following community discharge.
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 | 0,012 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».