The current state of knowledge on mobile health interventions for opioid related harm: Integrating scoping review findings with the patient journey
Notice bibliographique
Résumé
Opioid-related harm has become a major public health crisis around the world. There is a paucity of literature that examines the state of mHealth technologies in relation to the prevention and management of opioid-related harm. The purpose of this research is to examine the current state of knowledge with respect to mHealth technologies focused on opioid harm reduction and to identify gaps and technological opportunities. This research was conducted in two phases. The first phase involved the completion of a scoping review in six peer-reviewed research databases and grey literature searches in two search engines. The second phase involved the development of a Patient Journey Map to describe the findings of the scoping review in order to identify mHealth gaps and opportunities in relation to the recovery-oriented cascade of care. For the scoping review, nine articles met the inclusion criteria. These articles focused on accessibility, utilization, acceptability, feasibility and patient outcomes of mHealth interventions. These studies showed mHealth interventions are highly accessible, utilized and acceptable to opioid users, feasible to implement and can improve appointment adherence and patient outcomes. The Patient Journey Map demonstrates future mHealth interventions should focus on the prevention, diagnosis and post-recovery phases of the patient journey.
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 | 0,026 | 0,129 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,016 | 0,018 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,010 | 0,008 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».