Use of a mobile app to capture supplemental health information during pregnancy: Implications for clinical research
Notice bibliographique
Résumé
PURPOSE: Mobile applications ("apps") may be efficient tools for improving the quality of clinical research among pregnant women, but evidence is sparse. We assess the feasibility and generalizability of a mobile app for capturing supplemental data during pregnancy. METHODS: In 2017, we conducted a pilot study of the FDA MyStudies mobile app within a pregnant population identified through Kaiser Permanente Washington (KPWA), an integrated healthcare delivery system. We ascertained health conditions, medications, and substance use through app-based questionnaires. In a post-hoc analysis, we utilized electronic health records (EHR) to summarize sociodemographic and health characteristics of pilot participants and, for comparison, a pregnant population identified using similar methods. RESULTS: Six percent (64/1070) of contacted women enrolled in the pilot study. Nearly half (23/53) reported taking medication for headaches and one-fourth for constipation (13/53) and nausea (12/53) each. Few instances (2/92) of over-the-counter medication use were identified in electronic dispensing records. One-quarter to one-third of participants with depression and anxiety/panic, respectively, reported recently discontinuing medications for these conditions. Eighty-eight percent of pilot participants reported White race (95%CI: 81-95%), versus 67% of the comparison population (N = 2065). More pilot participants filled ≥1 prescription for antianxiety medication (22% [95%CI: 13-35%]) and antidepressants (19% [95%CI 10-31%]) pre-pregnancy than the comparison population (10 and 9%, respectively). CONCLUSIONS: Mobile apps may be a feasible tool for capturing health data not routinely available in EHR. Pregnant women willing to use a mobile app for research may differ from the general pregnant population, but confirmation is needed.
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 | 0,077 | 0,346 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| 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 ».