Wound Care Knowledge, Attitudes, and Practices and Mobile Health Technology Use in the Home Environment: Cross-Sectional Survey of Social Network Users
Notice bibliographique
Résumé
BACKGROUND: Injury causing wounds is a frequent event. Inadequate or inappropriate treatment of injuries can threaten individual health. However, little is known about wound care knowledge, attitudes, and practices and mobile health (mHealth) use in the home environment in Taiwan. OBJECTIVE: This study aimed to evaluate wound care knowledge, attitudes, and practices and mHealth technology use among social network users. METHODS: A cross-sectional survey on social media platforms was conducted on adults aged 20 years and older. Data were collected from social network users in the home environment. RESULTS: A total of 361 participants were enrolled. The mHealth technology use of participants was positively correlated with wound care knowledge (r=.132, P=.01), attitudes (r=.239, P<.001), and practices (r=.132, P=.01). Participants did not have adequate knowledge (correct rate 69.1%) and were unfamiliar with the guidelines of proper wound care (correct rate 74.5%). Most participants had positive attitudes toward wound care and mHealth technology use. A total of 95.6% (345/361) of participants perceived that the use of mHealth technology can improve wound care outcomes, and 93.9% (339/361) perceived that wound care products should be optimized to be used with a mobile device. However, 93.6% (338/361) of participants had no experience using mHealth technology for wound care. CONCLUSIONS: Our study shows the potential of mHealth technology to enhance wound care knowledge among social network users. Thus, government agencies and medical institutions in Taiwan should provide easy-to-use information products that enhance wound care knowledge, promote adequate behavior toward wound care, and prevent unpredictable or undesirable outcomes.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 | 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 ».