Effectiveness of Disease-Specific mHealth Apps in Patients With Diabetes Mellitus: Scoping Review
Notice bibliographique
Résumé
Background According to the World Health Organization, the worldwide prevalence of diabetes mellitus (DM) is increasing dramatically and DM comprises a large part of the global burden of disease. At the same time, the ongoing digitalization that is occurring in society today offers novel possibilities to deal with this challenge, such as the creation of mobile health (mHealth) apps. However, while a great variety of DM-specific mHealth apps exist, the evidence in terms of their clinical effectiveness is still limited. Objective The objective of this review was to evaluate the clinical effectiveness of mHealth apps in DM management by analyzing health-related outcomes in patients diagnosed with type 1 DM (T1DM), type 2 DM (T2DM), and gestational DM. Methods A scoping review was performed. A systematic literature search was conducted in MEDLINE (PubMed), Cochrane Library, EMBASE, CINAHL, and Web of Science Core Collection databases for studies published between January 2008 and October 2020. The studies were categorized by outcomes and type of DM. In addition, we carried out a meta-analysis to determine the impact of DM-specific mHealth apps on the management of glycated hemoglobin (HbA1c). Results In total, 27 studies comprising 2887 patients were included. We analyzed 19 randomized controlled trials, 1 randomized crossover trial, 1 exploratory study, 1 observational study, and 5 pre-post design studies. Overall, there was a clear improvement in HbA1c values in patients diagnosed with T1DM and T2DM. In addition, positive tendencies toward improved self-care and self-efficacy as a result of mHealth app use were found. The meta-analysis revealed an effect size, compared with usual care, of a mean difference of –0.54% (95% CI –0.8 to –0.28) for T2DM and –0.63% (95% CI –0.93 to –0.32) for T1DM. Conclusions DM-specific mHealth apps improved the glycemic control by significantly reducing HbA1c values in patients with T1DM and T2DM patients. In general, mHealth apps effectively enhanced DM management. However, further research in terms of clinical effectiveness needs to be done in greater detail.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».