Using mHealth to Provide Mobile App Users With Visualization of Health Checkup Data and Educational Videos on Lifestyle-Related Diseases: Methodological Framework for Content Development
Notice bibliographique
Résumé
BACKGROUND: The number of people with lifestyle-related diseases continues to increase worldwide. Improving lifestyle behavior with health literacy may be the key to address lifestyle-related diseases. The delivery of educational videos using mobile health (mHealth) services can replace the conventional way of educating individuals, and visualization can replace the provision of health checkup data. OBJECTIVE: This paper aimed to describe the development of educational content for MIRAMED, a mobile app aimed at improving users' lifestyle behaviors and health literacy for lifestyle-related diseases. METHODS: All videos were based on a single unified framework to provide users with a consistent flow of information. The framework was later turned into a storyboard. The final video contents were created based on this storyboard and further discussions with leading experts and specialist physicians on effective communication with app users about lifestyle-related diseases. RESULTS: The app uses visualization of personal health checkup data and educational videos on lifestyle-related diseases based on the current health guidelines, scientific evidence, and expert opinions of leading specialist physicians in the respective fields. A total of 8 videos were created for specific lifestyle-related diseases affecting 8 organs: (1) brain-cerebrovascular disorder, (2) eyes-diabetic retinopathy, (3) lungs-chronic obstructive pulmonary disease, (4) heart-ischemic heart disease, (5) liver-fatty liver, (6) kidneys-chronic kidney disease (diabetic kidney disease), (7) blood vessels-peripheral arterial disease, and (8) nerves-diabetic neuropathy. CONCLUSIONS: Providing enhanced mHealth education using novel digital technologies to visualize conventional health checkup data and lifestyle-related diseases is an innovative strategy. Future studies to evaluate the efficacy of the developed content are planned.
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 | 0,051 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».