Features of a mobile health intervention to manage chronic obstructive pulmonary disease: a qualitative study
Notice bibliographique
Résumé
Background: The use of mobile health (mHealth) interventions has the potential to enhance chronic obstructive pulmonary disease (COPD) treatment outcomes. Further research is needed to determine which mHealth features are required to potentially enhance COPD self-management. Aim: The aim of this study was to explore the potential features of an mHealth intervention for COPD management with healthcare providers (HCPs) and patients with COPD. It could inform the development and successful implementation of mHealth interventions for COPD management. Methods: This was a qualitative study. We conducted semi-structured individual interviews with HCPs, including nurses, pharmacists and physicians who work directly with patients with COPD. Interviews were also conducted with a diverse sample of patients with COPD. Interview topics included demographics, mHealth usage, the potential use of medical devices and recommendations for features that would enhance an mHealth intervention for COPD management. Results: A total of 40 people, including nurses, physicians and pharmacists, participated. The main recommendations for the proposed mHealth intervention were categorised into two categories: patient interface and HCP interface. The prevalent features suggested for the patient interface include educating patients, collecting baseline data, collecting subjective data, collecting objective data via compatible medical devices, providing a digital action plan, allowing patients to track their progress, enabling family members to access the mHealth intervention, tailoring the features based on the patient’s unique needs, reminding patients about critical management tasks and rewarding patients for their positive behaviours. The most common features of the HCP interface include allowing HCPs to track their patients’ progress, allowing HCPs to communicate with their patients, educating HCPs and rewarding HCPs. Conclusion: This study identifies important potential features so that the most effective, efficient and feasible mHealth intervention can be developed to improve the management of COPD. The reviews of this paper are available via the supplemental material section.
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 | 0,018 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,006 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».