Patient and Provider Cocreation of Mobile Texting Apps to Support Behavioral Health: Usability Study
Notice bibliographique
Résumé
BACKGROUND: Mobile technologies hold potential for improving the quality of care and engagement of patients. However, there are considerable challenges in ensuring that technologies are relevant, useful, and engaging. While end users such as patients and providers are increasingly involved in the design of health technologies, there are limited examples of their involvement in directly creating technologies for their personal use. OBJECTIVE: We aim to evaluate the feasibility and acceptability of patients and providers creating mobile texting apps to support treatment goals. METHODS: In an 11-month usability study, we enrolled 4 providers and 28 patients in an intensive outpatient program for obsessive-compulsive disorder. Patients and providers created their own mobile texting apps using a visual app development platform. A subsample of 10 patients and 4 providers completed a usability measure. RESULTS: Participants created a total of 360 unique mobile text messages (1787 total messages sent). There were 4 types of messages identified, including personalized reminders, clinical exposures, interactive prompts, and encouraging/informational messages. A total of 9 out of 10 (90%) patients agreed that the messages were relevant to their recovery, and 8 out of 10 (80%) agreed that the messages were effective at helping complete treatment plans. CONCLUSIONS: Enabling patients and providers to cocreate apps for their own use by using a visual application platform is feasible and holds potential for increasing the relevance, sustainability, and effectiveness of digital health technologies.
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 | 0,001 | 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 ».