Mobile Health Apps for Self-Management of Rheumatic and Musculoskeletal Diseases: Systematic Literature Review
Notice bibliographique
Résumé
BACKGROUND: Although the increasing availability of mobile health (mHealth) apps may enable people with rheumatic and musculoskeletal diseases (RMDs) to better self-manage their health, there is a general lack of evidence on ways to ensure appropriate development and evaluation of apps. OBJECTIVE: This study aimed to obtain an overview on existing mHealth apps for self-management in patients with RMDs, focusing on content and development methods. METHODS: A search was performed up to December 2017 across 5 databases. For each publication relevant to an app for RMDs, information on the disease, purpose, content, and development strategies was extracted and qualitatively assessed. RESULTS: Of 562 abstracts, 32 were included in the analysis. Of these 32 abstracts, 11 (34%) referred to an app linked to a connected device. Most of the apps targeted rheumatoid arthritis (11/32, 34%). The top three aspects addressed by the apps were pain (23/32, 71%), fatigue (15/32, 47%), and physical activity (15/32, 47%). The development process of the apps was described in 84% (27/32) of the articles and was of low to moderate quality in most of the cases. Despite most of the articles having been published within the past two years, only 5 apps were still commercially available at the time of our search. Moreover, only very few studies showed improvement of RMD outcome measures. CONCLUSIONS: The development process of most apps was of low or moderate quality in many studies. Owing to the increasing RMD patients' willingness to use mHealth apps for self-management, optimal standards and quality assurance of new apps are mandatory.
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 | 0,007 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,011 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».