Assessment of Mobile Health Apps Using Built-In Smartphone Sensors for Diagnosis and Treatment: Systematic Survey of Apps Listed in International Curated Health App Libraries
Notice bibliographique
Résumé
BACKGROUND: More than a million health and well-being apps are available from the Apple and Google app stores. Some apps use built-in mobile phone sensors to generate health data. Clinicians and patients can find information regarding safe and effective mobile health (mHealth) apps in third party-curated mHealth app libraries. OBJECTIVE: These independent Web-based repositories guide app selection from trusted lists, but do they offer apps using ubiquitous, low-cost smartphone sensors to improve health? This study aimed to identify the types of built-in mobile phone sensors used in apps listed on curated health app libraries, the range of health conditions these apps address, and the cross-platform availability of the apps. METHODS: This systematic survey reviewed three such repositories (National Health Service Apps Library, AppScript, and MyHealthApps), assessing the availability of apps using built-in mobile phone sensors for the diagnosis or treatment of health conditions. RESULTS: A total of 18 such apps were identified and included in this survey, representing 1.1% (8/699) to 3% (2/76) of all apps offered by the respective libraries examined. About one-third (7/18, 39%) of the identified apps offered cross-platform Apple and Android versions, with a further 50% (9/18) only dedicated to Apple and 11% (2/18) to Android. About one-fourth (4/18, 22%) of the identified apps offered dedicated diagnostic functions, with a majority featuring therapeutic (9/18, 50%) or combined functionality (5/18, 28%). Cameras, touch screens, and microphones were the most frequently used built-in sensors. Health concerns addressed by these apps included respiratory, dermatological, neurological, and anxiety conditions. CONCLUSIONS: Diligent mHealth app library curation, medical device regulation constraints, and cross-platform differences in mobile phone sensor architectures may all contribute to the observed limited availability of mHealth apps using built-in phone sensors in curated mHealth app libraries. However, more efforts are needed to increase the number of such apps on curated lists, as they offer easily accessible low-cost options to assist people in managing clinical conditions.
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 | 0,013 | 0,056 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,014 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».