A Comparison of Functional Features in Chinese and US Mobile Apps for Diabetes Self-Management: A Systematic Search in App Stores and Content Analysis
Notice bibliographique
Résumé
BACKGROUND: Mobile health interventions are widely used for self-management of diabetes, which is one of the most burdensome noncommunicable chronic diseases worldwide. However, little is known about the distribution of characteristics and functions of in-store mobile apps for diabetes. OBJECTIVE: This study aimed to investigate the distribution of characteristics and functions of the in-store mobile apps for self-management of diabetes in the United States and China using a predefined functional taxonomy, which was developed and published in our previous study. METHODS: We identified apps by searching diabetes in English or Chinese in the Apple iTunes Store and Android Markets (both in the United States and China) and included apps for diabetes self-management. We examined the validity and reliability of the predefined functional taxonomy with 3 dimensions: clinical module, functional module, and potential risk. We then classified all functions in the included apps according to the predefined taxonomy and compared the differences in the features of these apps between the United States and China. RESULTS: We included 171 mobile diabetes apps, with 133 from the United States and 38 from China. Apps from both countries faced the challenges of evidence-based information, proper risk assessment, and declaration, especially Chinese apps. More Chinese apps provide app-based communication functions (general communication: Chinese vs US apps, 39%, 15/38 vs 18.0%, 24/133; P=.006 and patient-clinician communication: Chinese vs US apps, 68%, 26/38 vs 6.0%, 8/133; P<.001), whereas more US apps provide the decision-making module (Chinese vs US apps, 0%, 0/38 vs 23.3%, 31/133; P=.001), which is a high-risk module. Both complication prevention (Chinese vs US apps, 8%, 3/38 vs 3.8%, 5/133; P=.50) and psychological care (Chinese vs US apps, 0%, 0/38 vs 0.8%, 1/133; P>.99) are neglected by the 2 countries. CONCLUSIONS: The distribution of characteristics and functions of in-store mobile apps for diabetes self-management in the United States was different from China. The design of in-store diabetes apps needs to be monitored closely.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,006 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 tête enseignante, 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 ».