Strategies for the Successful Implementation of a Novel iPhone Loaner System (iShare) in mHealth Interventions: Prospective Study
Notice bibliographique
Résumé
BACKGROUND: As smartphone ownership continues to rise, health care systems and technology companies are driven to develop mobile health (mHealth) interventions as both diagnostic and therapeutic tools. An important consideration during mHealth intervention development is how to achieve health equity despite demographic differences in smartphone ownership. One solution is through the recirculation of loaner smartphones; however, best practices for implementing such programs to optimize security, privacy, scalability, and convenience for participants are not well defined. OBJECTIVE: In this tutorial, we describe how we implemented our novel Corrie iShare program, a 30-day loaner iPhone and smartwatch recirculation program, as part of a multi-center mHealth intervention to improve recovery and access to guideline-directed therapy following acute myocardial infarction. METHODS: We conducted a prospective study utilizing a smartphone app and leveraged iOS enterprise features as well as cellular data service to automate recirculation. RESULTS: Our configuration protocol was shortened from 1 hour to 10 minutes. Of 200 participants, 92 (46.0%) did not own an iPhone and would have been excluded from the study without iShare. Among iShare participants, 72% (66/92) returned their loaned smartphones. CONCLUSIONS: The Corrie iShare program demonstrates the potential for a sustainable and scalable mHealth loaner program, enabling broader population reach while optimizing user experience. Implementation may face institutional constraints and software limitations. Consideration should be given to optimizing loaner returns.
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 | 0,042 | 0,073 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,003 |
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 ».