Technologies for Opioid Use Disorder Management: Mobile App Search and Scoping Review
Notice bibliographique
Résumé
BACKGROUND: Advances in technology engender the investigation of technological solutions to opioid use disorder (OUD). However, in comparison to chronic disease management, the application of mobile health (mHealth) to OUD has been limited. OBJECTIVE: The overarching aim of our research was to design OUD management technologies that utilize wearable sensors to provide continuous monitoring capabilities. The objectives of this study were to (1) document the currently available opioid-related mHealth apps, (2) review past and existing technology solutions that address OUD, and (3) discuss opportunities for technological withdrawal management solutions. METHODS: We used a two-phase parallel search approach: (1) an app search to determine the availability of opioid-related mHealth apps and (2) a scoping review of relevant literature to identify relevant technologies and mHealth apps used to address OUD. RESULTS: The app search revealed a steady rise in app development, with most apps being clinician-facing. Most of the apps were designed to aid in opioid dose conversion. Despite the availability of these apps, the scoping review found no study that investigated the efficacy of mHealth apps to address OUD. CONCLUSIONS: Our findings highlight a general gap in technological solutions of OUD management and the potential for mHealth apps and wearable sensors to address OUD.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 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 ».