Needs, Experiences, and Views of People With Rheumatic and Musculoskeletal Diseases on Self-Management Mobile Health Apps: Mixed Methods Study
Notice bibliographique
Résumé
BACKGROUND: Despite the growing interest and exponential popularity of mobile health (mHealth) apps for long-term conditions such as rheumatic and musculoskeletal diseases (RMDs) and their self-management, patients are rarely directly consulted and involved in the app development process. OBJECTIVE: This study aims to explore the needs, experiences, and views of people diagnosed with RMDs on mHealth apps. METHODS: The study used a mixed methods approach: (1) an initial qualitative phase via a patient focus group in the UK and (2) a survey disseminated through national organizations for patients with RMDs across European countries, the United States, Canada, and Australia. RESULTS: The focus group included six patients with life-long musculoskeletal conditions. Half had used a self-management app at least once. The use of existing apps was reported as time-consuming due to a lack of functionality. The need for bespoke apps was voiced by all participants. Among 424 patients across European countries, the United States, Canada, and Australia, the main age group was 45 to 54 years (122/424, 28.7%), and 86.8% (368/424) were women. Half of the respondents were aware of the existence of apps to support self-management of their RMDs (188/355, 53%), with 42% (79/188) of them currently using such devices. Patients were mostly interested in an app to self-monitor their health parameters (259/346, 74.9%) and disease activity (221/346, 63.9%) or communicate directly with their health care provider (200/346, 57.8%). CONCLUSIONS: Patients considered that using an app could help them to self-manage their RMD condition if it was tailored to their needs and co-developed with health professionals. The development of such apps will require standardization and regular quality control.
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 | 0,009 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».