The Use and Effect of the Health Storylines mHealth App on Female Childhood Cancer Survivors’ Self-efficacy, Health-Related Quality of Life and Perceived Illness
Notice bibliographique
Résumé
BACKGROUND: mHealth apps have been not been well tested among childhood cancer survivors (CCSs) to track physical and psychosocial functioning for improved self-management of post-treatment needs. OBJECTIVES: This pilot study had 3 aims: (1) assess the usage of the Health Storylines mHealth app; (2) examine its effect in improving self-efficacy in managing survivorship healthcare needs, health-related quality of life, and perceived illness; and (3) determine if app usage moderated the effects on the above patient-reported outcome measures among female CCSs. METHODS: Study participants accessed the Health Storylines mHealth app on their own personal device. This single-group, pilot study included 3 measurement points: baseline and 3 and 6 months after initiation of using the app. RESULTS: Use of the mHealth app ranged from 0 times to 902 times. Every study participant who used the app (n = 26) also used the mental health app component of the Health Storylines app. Generalized estimating equations were fit to examine the effect of the mHealth app use on self-efficacy, perceived illness, and health-related quality of life, between baseline, 3-month follow-up, and 6-month follow-up. No statistically significant changes were evident, on average, from baseline to 3- or 6-month follow-up on any outcome. Subsequent testing of effect moderation showed differential trends for high versus low users. CONCLUSIONS: Studies are needed among this clinical population to determine who will benefit and who will perceive the app as a useful aspect of their survivorship care. IMPLICATIONS FOR PRACTICE: Sharing mental health functioning tracked on mhealth apps with healthcare providers may inform needed interventions for young adult female CCSs.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».