Developing a Heart Transplantation Self-Management Support Mobile Health App in Taiwan: Qualitative Study
Notice bibliographique
Résumé
BACKGROUND: Heart transplantation (HTx) is the most effective treatment for end-stage heart failure patients. After transplantation, patients face physiological, psychological, social, and other health care problems. Mobile health (mHealth) apps can change the delivery of conventional health care to ubiquitous care and improve health care quality. However, a dearth of mHealth apps exists for patients with HTx worldwide, including in Taiwan. OBJECTIVE: The aim of this study was to investigate the information needed and to develop a preliminary framework for an mHealth app for post-HTx patients. METHODS: A qualitative approach with individual in-depth interviews was conducted at a heart center in the regional hospital of northern Taiwan from June to November 2017. Patients that had undergone HTx and their health professionals were recruited for purposeful sampling. A semistructured interview guideline was used for individual interviews and transcribed. Thematic analysis was used for data analysis. RESULTS: A total of 21 subjects, including 17 patients and 4 health professionals, were recruited for the study. The following five major themes were identified: reminding, querying, experience sharing, diet, and expert consulting. Minor themes included a desire to use the app with artificial intelligence and integration with professional management. CONCLUSIONS: An intelligent mHealth app that addresses the five main themes and integrates the processes of using a mobile app could facilitate HTx self-management for Taiwanese patients.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,003 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».