The Impact of a Smartphone App on the Quality of Pediatric Colonoscopy Preparations: Randomized Controlled Trial
Notice bibliographique
Résumé
BACKGROUND: Smartphone apps have been successfully used to help adults prepare for colonoscopies. However, no study to date has investigated the effect of a smartphone app on pediatric colonoscopy preparation. OBJECTIVE: The aim of this study is to determine if an app (SB Colonoscopy Prep) designed to educate and guide patients through their colonoscopy preparation will yield benefits over paper-based instructions and information. METHODS: In total, 46 patients aged 5-18 years received either app-based or written material with instructions on how to take their prep medications as well as information about the colonoscopy procedure. Prep quality, the number of calls to the gastroenterology service, and patient arrival time were recorded. After the procedure, a questionnaire was given to each patient through which they graded their knowledge of the procedure both before and after receiving the app or written material. RESULTS: App users had higher mean Boston scores versus control subjects receiving written instructions (7.2 vs 5.9, P=.02), indicating better colonoscopy preps. In total, 75% (15/20) of app users and 41% (9/22) of written instruction users had preps categorized as "excellent" on the Boston scale. We found no significant differences in knowledge about the procedure (app users: 10/20 [50%], written instruction users 8/22 [36%]; P=.37), phone calls to the gastroenterology clinic (n=6 vs n=2; P=.27), or arrival times at the endoscopy suite (44 min vs 46 min before the scheduled procedure time; P=.56). CONCLUSIONS: Smartphone app use was associated with an increased number of colonoscopy preps classified as "excellent" on the Boston scale. There was no significant difference between app users and the control group regarding the number of calls to the gastroenterology clinic, patient arrival time, or patient knowledge about the procedure. TRIAL REGISTRATION: ClinicalTrials.gov NCT04590105; https://clinicaltrials.gov/ct2/show/NCT04590105.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,004 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 ».