MétaCan
Menu
Retour à la cohorte
Enregistrement W3093157853 · doi:10.1177/2055207620962297

Engagement with Manage My Pain mobile health application among patients at the Transitional Pain Service

2020· article· en· W3093157853 sur OpenAlexafffundabout
P. Maxwell Slepian, Michael Yao‐Ping Peng, Tahir Janmohamed, Yuvaraj Kotteeswaran, Varuna Manoo, Alexander McLaren Blades, Joseph Fiorellino, Rita Katznelson, Diana Tamir, Karen McRae, Michael Kahn, Alexander Huang, Sharath Kona, Sonalben Thaker, Aliza Weinrib, Joel Katz, Hance Clarke

Notice bibliographique

RevueDigital Health · 2020
Typearticle
Langueen
DomaineMedicine
ThématiquePediatric Pain Management Techniques
Établissements canadiensToronto General HospitalUniversity of TorontoYork University
Organismes subventionnairesOntario Centres of Excellence
Mots-clésPain managementService (business)Transitional careMedicinePhysical therapyPsychologyBusinessHealth carePolitical scienceMarketing

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: Mobile health platforms have become an important component of pain self-management programs and hundreds of mobile applications are commercially available for patients to monitor pain. However, few of these applications have been developed in collaboration with healthcare professionals or have been critically evaluated. Manage My Pain is a user-driven mobile health platform developed by ManagingLife in collaboration with clinician researchers. Manage My Pain allows patients to keep a "pain record" and supports communication of this information with clinicians. The current report describes a user engagement study of Manage My Pain among patients at the Transitional Pain Service (TPS) at Toronto General Hospital, a multidisciplinary clinic for patients at high risk of developing postsurgical pain. METHODS: Patients at the TPS were encouraged to register on Manage My Pain as one component of a larger, non-randomized prospective study of treatment predictors and treatment enhancement. Uptake of the application and rates of registration, use, and retention were tracked for 90 days. RESULTS: Of the 196 patients who consented to the larger study, 132 (67%) also provided consent to the Manage My Pain component, indicating that they found this to be an acceptable treatment adjunct, and 119 (61%) completed registration. Of those who used the app, 67.9% and 43.2% continued to use Manage My Pain beyond 30 and 90 days, respectively. On average, users engaged with the app for 93.14 days (SD = 151.9 days) logged an average of 47.39 total records (SD = 136.1). CONCLUSIONS: Manage My Pain was found acceptable by a majority of patients at an academic pain management program. Rates of user registration and retention were favorable compared to those reported by other applications. Further research is needed to develop strategies to retain users and maximize patient benefit.

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)0,002
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,018

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0020,001
Science ouverte0,0000,002
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,001

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.

Tête enseignante Opus0,014
Tête enseignante GPT0,262
Écart entre enseignants0,248 · 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.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations29
Publié2020
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueDigital HealthMême sujetPediatric Pain Management TechniquesTravaux en français237 207