Using a mobile health app to improve patients’ adherence to hypertension treatment: a non-randomized clinical trial
Notice bibliographique
Résumé
Poor adherence to hypertension treatment increases complications of the disease and is characterized by a lack of awareness and acceptance of ongoing treatment. Mobile health (mHealth) apps can optimize processes and facilitate access to health information by combining treatment methods with attractive solutions. In this study, we aimed at verifying the influence of using an mHealth app on patients’ adherence to hypertension treatment, also examining how user experience toward the app influenced the outcomes. A total of 49 participants completed the study, men and women, diagnosed with hypertension and ongoing medical treatment. For 12 weeks, the control group continued with conventional monitoring, while the experimental group used an mHealth app. From the experimental group, at baseline, 8% were non-adherent, 64% were partial adherents and 28% were adherent to the treatment. Baseline in the control group indicated 4.2% non-adherents, 58.3% partial adherents, and 37.5% adherents. After follow-up, the experimental group had an increase to 92% adherent, 8% partially adherent, and 0% non-adherent ( P < 0.001). In the control group, adherence after follow-up remained virtually the same ( P ≥ 0.999). Results of user experience were substantially positive and indicate that the participants in the experimental group had a satisfactory perception of the app. In conclusion, this study suggests that using an mHealth app can empower patients to manage their own health and increase adherence to hypertension treatment, especially when the app provides a positive user experience.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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 | 0,001 |
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 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 ».