MétaCan
Menu
Retour à la cohorte
Enregistrement W3013376123 · doi:10.2196/16137

A Patient Safety Educational Tool for Patients With Chronic Kidney Disease: Development and Usability Study

2020· article· en· W3013376123 sur OpenAlexvenueno aff
Cassandra Bowman, Joseph Lunyera, Aviel Alkon, L. Ebony Boulware, Jennifer St. Clair Russell, Jennie Riley, Jeffrey C. Fink, Clarissa J. Diamantidis

Notice bibliographique

RevueJMIR Formative Research · 2020
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute of Diabetes and Digestive and Kidney Diseases
Mots-clésPreprintUsabilityKidney diseaseMedicineComputer scienceHuman–computer interactionInternal medicineWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Chronic kidney disease (CKD) is a health condition that threatens patient safety; however, few interventions provide patient-centered education about kidney-specific safety hazards. OBJECTIVE: We sought to develop and test the usability of a mobile tablet-based educational tool designed to promote patient awareness of relevant safety topics in CKD. METHODS: We used plain language principles to develop content for the educational tool, targeting four patient-actionable safety objectives that are relevant for individuals with CKD. These four objectives included avoidance of nonsteroidal anti-inflammatory drugs (NSAIDs); hypoglycemia awareness (among individuals with diabetes); temporary cessation of certain medications during acute volume depletion to prevent acute kidney injury (ie, "sick day protocol"); and contrast dye risk awareness. Our teaching strategies optimized human-computer interaction and content retention using audio, animation, and clinical vignettes to reinforce themes. For example, using a vignette of a patient with CKD with pain and pictures of common NSAIDs, participants were asked "Which of the following pain medicines are safe for Mr. Smith to take for his belly pain?" Assessment methods consisted of preknowledge and postknowledge surveys, with provision of correct responses and explanations. Usability testing of the tablet-based tool was performed among 12 patients with any stage of CKD, and program tasks were rated upon completion as no error, noncritical error (self-corrected), or critical error (needing assistance). RESULTS: The 12 participants in this usability study were predominantly 65 years of age or older (n=7, 58%) and female (n=7, 58%); all participants owned a mobile device and used it daily. Among the 725 total tasks that the participants completed, there were 31 noncritical errors (4.3%) and 15 critical errors (2.1%); 1 participant accounted for 30 of the total errors. Of the 12 participants, 10 (83%) easily completed 90% or more of their tasks. Most participants rated the use of the tablet as very easy (n=7, 58%), the activity length as "just right" (rather than too long or too short) (n=10, 83%), and the use of clinical vignettes as helpful (n=10, 83%); all participants stated that they would recommend this activity to others. The median rating of the activity was 8 on a scale of 1 to 10 (where 10 is best). We incorporated all participant recommendations into the final version of the educational tool. CONCLUSIONS: A tablet-based patient safety educational tool is acceptable and usable by individuals with CKD. Future studies leveraging iterations of this educational tool will explore its impact on health outcomes in this high-risk population.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,014
score de la tête « metaresearch » (Gemma)0,029
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,072

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0140,029
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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.

Tête enseignante Opus0,070
Tête enseignante GPT0,482
Écart entre enseignants0,412 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative ResearchMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207