MétaCan
Menu
Retour à la cohorte
Enregistrement W3115870161 · doi:10.2196/24177

Using a Commercially Available App for the Self-Management of Hypertension: Acceptance and Usability Study in Saudi Arabia

2020· article· en· W3115870161 sur OpenAlexvenueno aff
Tourkiah Alessa, Mark Hawley, Nouf Alsulamy, Luc de Witte

Notice bibliographique

RevueJMIR mhealth and uhealth · 2020
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of JeddahKing Saud UniversityUniversity of Sheffield
Mots-clésUsabilitySelf-managementmHealthMedicineTechnology acceptance modelPsychologyComputer sciencePsychological interventionNursingHuman–computer interactionArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The use of smartphone apps to assist in the self-management of hypertension is becoming increasingly common, but few commercially available apps have the potential to be effective along with adequate security and privacy measures in place. In a previous study, we identified 5 apps that are potentially effective and safe, and based on the preferences of doctors and patients, one (Cora Health) was selected as the most suitable app for use in a Saudi context. However, there is currently no evidence of its usability and acceptance among potential users. Indeed, there has been little research into the usability and acceptance of hypertension apps in general, and less research considers this in the Gulf Region. OBJECTIVE: This study aims to evaluate the acceptance and usability of the selected app in the Saudi context. METHODS: This study used a mixed methods approach with 2 studies: a usability test involving patients in a controlled setting performing predefined tasks and a real-world usability study where patients used the app for 4 weeks. In the usability test, participants were asked to think aloud while performing the tasks, and an observer recorded the number of tasks they completed. At the end of the real-world pilot study, participants were interviewed, and the mHealth App Usability Questionnaire was completed. Descriptive statistics were used to analyze quantitative data, and thematic analysis was used to analyze qualitative data. RESULTS: In total, 10 patients completed study 1. The study found that app usability was moderate and that participants needed some familiarization time before they could use the app proficiently. Some usability issues were revealed, related to app accessibility and navigation, and a few tasks remained uncompleted by most people. A total of 20 patients completed study 2, with a mean age of 51.6 (SD 11.7) years. Study 2 found that the app was generally acceptable and easy to use, with some similar usability issues identified. Participants stressed the importance of practice and training to use it more easily and proficiently. Participants had a good engagement level with 48% retention at the end of study 2, with most participants' engagement being classed as meaningful. The most recorded data were blood pressure, followed by stress and medication, and the most accessed feature was viewing graphs of data trends. CONCLUSIONS: This study shows that a commercially available app can be usable and acceptable in the self-management of hypertension but also found a considerable number of possibilities for improvement, which needs to be considered in future app development. The results show that there is potential for a commercially available app to be used in large-scale studies of hypertension self-management if suggestions for improvements are addressed.

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)0,005
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 enseignants0,005
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,009
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,001
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 Opus0,207
Tête enseignante GPT0,457
Écart entre enseignants0,250 · 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'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealthMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207