Feasibility of a Home-Based Tablet App for Dexterity Training in Multiple Sclerosis: Usability Study
Notice bibliographique
Résumé
BACKGROUND: Persons with multiple sclerosis (MS) often experience dexterous difficulties during the performance of activities of daily living, such as fastening buttons, handling coins, or writing, therefore impacting their health-related quality of life. Mobile health (mHealth) solutions, such as tablet apps, may be used to train impaired dexterous skills. The feasibility of a tablet app-based dexterity home-based intervention in MS (TAD-MS) has not been explored yet in persons with MS. OBJECTIVE: The aim of this pilot study was to evaluate the feasibility and usability of home-based dexterity training with a tablet app in both persons with MS and healthy subjects. METHODS: A total of 9 persons with MS, aged 35-71 years, with an Expanded Disability Status Scale score between 2 and 7.5, performed the TAD-MS for 4 weeks, five times a week, with each training session lasting approximately 30 minutes. Participants' impaired dexterity was measured by the Nine-Hole Peg Test. A total of 10 age-matched healthy subjects also tested and rated the usability of the app. Outcome measures were the adherence rate as well as usability measured by the System Usability Scale and a Custom User Engagement Questionnaire (CUEQ). RESULTS: High feasibility of the tablet app-based dexterity training program was shown by a 97% adherence rate to the training protocol (ie, mean 19.4/20 sessions completed, SD 0.8). High system usability scores (ie, mean 85.39%, SD 11.67) and overall high scores given in the CUEQ (ie, mean 8.2/10, SD 1.4) further point to high usability of the app. Neither demographic variables nor dexterity levels affected the use of the app. CONCLUSIONS: This pilot study is the first to demonstrate high feasibility and usability of a new tablet app-based dexterity home-based training program among both persons with MS and healthy individuals. Whether this kind of training improves dexterity will need to be evaluated in a randomized controlled trial.
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 | 0,005 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».