MétaCan
Menu
Retour à la cohorte
Enregistrement W3083924022 · doi:10.1080/20477724.2020.1816286

Critical appraisal of a mHealth-assisted community-based cardiovascular disease risk screening program in rural Kenya: an operational research study

2020· article· en· W3083924022 sur OpenAlexaff
Michael Aw, Benard Ochieng, Daniel Attambo, Danet Opot, James Aw, Stacy Francis, Michael Hawkes

Notice bibliographique

RevuePathogens and Global Health · 2020
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensWomen and Children’s Health Research InstituteUniversity of AlbertaMcMaster University
Organismes subventionnairesnon disponible
Mots-clésmHealthMedicineDiseaseFamily medicineDiabetes mellitusEnvironmental healthNon-communicable diseaseHealth careGerontologyNursingPsychological interventionInternal medicine

Résumé

récupéré en direct d'OpenAlex

Community health workers (CHWs) can participate in the cascade of hypertension and diabetes management in low and middle-income countries (LMICs). Their services may be enhanced with mobile health (mHealth) tools. In this operational research study, we describe the AFYACHAT mHealth-assisted cardiovascular health screening program in rural Kenya. In this study, A CHW screened a convenience sample of adults ≥ 40 years old in rural Kenya for cardiovascular disease (CVD) risk using the two-way AFYACHAT mHealth instrument. AFYACHAT analyzes a patient's age, sex, smoking, diabetes and systolic blood pressure and provides a four-tiered 10-year CVD risk score. User acceptability was assessed by an end-of-study interview with the CWH. Automated error logs were analyzed. Patient satisfaction was measured with a six-question satisfaction questionnaire. Screened participants with high CVD risk were followed-up via telephone to explore any actions taken following screening. In 24 months, one CHW screened 1650 participants using AFYACHAT. The 10-year risk of CVD was <10% for 1611 (98%) patients, 10 to <20% for 26 (1.6%), 20 to <30% in 12 (0.7%), and ≥30% for 1 (0.1%). The point prevalence of hypertension and diabetes was 27% and 1.9%, respectively. Seventy-five percent of participants with elevated CVD risk sought further medical care. There was high acceptability, a 15% miscode error rate, and high participant satisfaction with the screening program. Our operational research outlines how AFYACHAT mHealth tool can assist CHW perform rapid CVD screening; this provides a model framework for non-communicable disease screening in LMICs.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,264
score de la tête « metaresearch » (Gemma)0,514
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,264
Score d'incertitude au seuil0,907

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,2640,514
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0030,004
Bibliométrie0,0040,004
Études des sciences et des technologies0,0040,003
Communication savante0,0090,004
Science ouverte0,0050,003
Intégrité de la recherche0,0030,004
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,169
Tête enseignante GPT0,532
Écart entre enseignants0,363 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations20
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePathogens and Global HealthMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207