MétaCan
Menu
Retour à la cohorte
Enregistrement W3106165653 · doi:10.2196/15978

Using Mobile Health Technology to Deliver a Community-Based Closed-Loop Management System for Chronic Obstructive Pulmonary Disease Patients in Remote Areas of China: Development and Prospective Observational Study

2020· article· en· W3106165653 sur OpenAlexvenueno aff
Ning Deng, Juan Chen, Yiyuan Liu, Shuoshuo Wei, Leiyi Sheng, Rong Lü, Zheyu Wang, Jiarong Zhu, Jiye An, Bei Wang, Hui Lin, Xiuyan Wang, Yumin Zhou, Huilong Duan, Pixin Ran

Notice bibliographique

RevueJMIR mhealth and uhealth · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueChronic Obstructive Pulmonary Disease (COPD) Research
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésObservational studymHealthPulmonary diseaseMedicineChinaeHealthTelemedicineIntensive care medicineChronic diseasePhysical therapyDisease managementDiseaseHealth careInternal medicinePsychological interventionNursingGeography

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Mobile health (mHealth) technology is an increasingly recognized and effective method for disease management and has the potential to intervene in pulmonary function, exacerbation risk, and psychological status of patients with chronic obstructive pulmonary disease (COPD). OBJECTIVE: This study aimed to investigate the feasibility of an mHealth-based COPD management system designed for Chinese remote areas with many potential COPD patients but limited medical resources. METHODS: The system was implemented based on a tailored closed-loop care pathway that breaks the heavy management tasks into detailed pieces to be quantified and executed by computers. Low-cost COPD evaluation and questionnaire-based psychological intervention are the 2 main characteristics of the pathway. A 6-month prospective observational study at the community level was performed to evaluate the effect of the system. Primary outcomes included changes in peak expiratory flow values, quality of life measured using the COPD assessment test scale, and psychological condition. Acute exacerbations, compliance, and adverse events were also measured during the study. Compliance was defined as the ratio of the actual frequency of self-monitoring records to the prescribed number. RESULTS: A total of 56 patients was enrolled; 39 patients completed the 6-month study. There was no significant difference in the mean peak expiratory flow value before and after the 6-month period (366.1, SD 106.7 versus 313.1, SD 116.6; P=.11). Psychological condition significantly improved after 6 months, especially for depression, as measured using the Patient Health Questionnaire-9 scale (median 6.0, IQR 3.0-9.0 versus median 4.0, IQR 0.0-6.0; P=.001). The COPD assessment test score after 6 months of intervention was also lower than that at the baseline, and the difference was significant (median 4.0, IQR 1.0-6.0 versus median 3.0, IQR 0.0-6.0; P=.003). The median overall compliance was 91.1% (IQR 67%-100%). In terms of acute exacerbation, 110 exacerbations were detected and confirmed by health care providers (per 6 months, median 2.0, IQR 1.0-5.0). Moreover, 72 adverse events occurred during the study, including 1 death, 19 hospitalizations, and 52 clinic visits due to persistent respiratory symptoms. CONCLUSIONS: We designed and validated a feasible mHealth-based method to manage COPD in remote Chinese areas with limited medical resources. The proposed closed-loop care pathway was effective at the community level. Proper education and frequent communication with health care providers may encourage patients' acceptance and use of smartphones to support COPD self-management. In addition, WeChat might play an important role in improving patient compliance and psychological distress. Further research might explore the effect of such systems on a larger scale and at a higher evidence level.

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)0,003
score de la tête « metaresearch » (Gemma)0,003
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 enseignants0,016
Score d'incertitude au seuil0,031

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,003
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0020,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,088
Tête enseignante GPT0,393
Écart entre enseignants0,305 · 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

Citations49
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealthMême sujetChronic Obstructive Pulmonary Disease (COPD) ResearchTravaux en français237 207