Development of a Mobile Health App (TOGETHERCare) to Reduce Cancer Care Partner Burden: Product Design Study
Notice bibliographique
Résumé
BACKGROUND: Approximately 6.1 million adults in the United States serve as care partners for cancer survivors. Studies have demonstrated that engaging cancer survivors and their care partners through technology-enabled structured symptom collection has several benefits. Given the high utilization of mobile technologies, even among underserved populations and in low resource areas, mobile apps may provide a meaningful access point for all stakeholders for symptom management. OBJECTIVE: We aimed to develop a mobile app incorporating user preferences to enable cancer survivors' care partners to monitor the survivors' health and to provide care partner resources. METHODS: An iterative information gathering process was conducted that included (1) discussions with 138 stakeholders to identify challenges and gaps in survivor home care; (2) semistructured interviews with clinicians (n=3), cancer survivors (n=3), and care partners (n=3) to identify specific needs; and (3) a 28-day feasibility field test with seven care partners. RESULTS: Health professionals noted the importance of identifying early symptoms of adverse events. Survivors requested modules on medication, diet, self-care, reminders, and a version in Spanish. Care partners preferred to focus primarily on the patient's health and not their own. The app was developed incorporating quality-of-life surveys and symptom reporting, as well as resources on home survivor care. Early user testing demonstrated ease of use and app feasibility. CONCLUSIONS: TOGETHERCare, a novel mobile app, was developed with user input to track the care partner's health and report on survivor symptoms during home care. The following two clinical benefits emerged: (1) reduced anxiety among care partners who use the app and (2) the potential for identifying survivor symptoms noted by the care partner, which might prevent adverse events. TRIAL REGISTRATION: ClinicalTrials.gov NCT04018677; https://clinicaltrials.gov/ct2/show/NCT04018677.
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 | 0,009 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».