Identifying an effective mobile health application for the self-management of allergic rhinitis and asthma in Australia
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Objective: People with allergic rhinitis (AR) often self-manage in the community pharmacy setting without consulting health care professionals and trivialize their comorbidities such as asthma. A mobile health application (mHealth app) with a self-monitoring and medication adherence system can assist with the appropriate self-management of AR and asthma. This study aimed to identify an app effective for the self-management of AR and/or asthma.Methods: MHealth apps retrieved from the Australian Apple App Store and Android Google Play Store were included in this study if they were developed for self-management of AR and/or asthma; in English language; free of charge for the full version; and accessible to users of the mHealth app. The mHealth app quality was evaluated on three domains using a two-stage process. In Stage 1, the apps were ranked along Domain 1 (Accessibility in both app stores). In Stage 2, the apps with Stage 1, maximum score were ranked along Domain 2 (alignment with theoretical principles of the self-management of AR and/or asthma) and Domain 3 (usability of the mHealth app using Mobile App Rating Scale instrument).Results: Of the 418 apps retrieved, 31 were evaluated in Stage 1 and 16 in Stage 2. The MASK-air achieved the highest mean rank and covered all self-management principles except the doctor’s appointment reminder and scored a total MARS mean score of 0.91/1.Conclusions: MASK-air is ranked most highly across the assessment domains for the self-management of both AR and coexisting asthma. This mHealth app covers the majority of the self-management principles and is highly engaging.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle