Social Media and mHealth Technology for Cancer Screening: Systematic Review and Meta-analysis
Notice bibliographique
Résumé
BACKGROUND: Cancer is a leading cause of death, and although screening can reduce cancer morbidity and mortality, participation in screening remains suboptimal. OBJECTIVE: This systematic review and meta-analysis aims to evaluate the effectiveness of social media and mobile health (mHealth) interventions for cancer screening. METHODS: We searched for randomized controlled trials and quasi-experimental studies of social media and mHealth interventions promoting cancer screening (breast, cervical, colorectal, lung, and prostate cancers) in adults in MEDLINE, Embase, PsycINFO, Scopus, CINAHL, Cochrane Central Register of Controlled Trials, and Communication & Mass Media Complete from January 1, 2000, to July 17, 2020. Two independent reviewers screened the titles, abstracts, and full-text articles and completed the risk of bias assessments. We pooled odds ratios for screening participation using the Mantel-Haenszel method in a random-effects model. RESULTS: We screened 18,008 records identifying 39 studies (35 mHealth and 4 social media). The types of interventions included peer support (n=1), education or awareness (n=6), reminders (n=13), or mixed (n=19). The overall pooled odds ratio was 1.49 (95% CI 1.31-1.70), with similar effect sizes across cancer types. CONCLUSIONS: Screening programs should consider mHealth interventions because of their promising role in promoting cancer screening participation. Given the limited number of studies identified, further research is needed for social media interventions. TRIAL REGISTRATION: PROSPERO International Prospective Register of Systematic Reviews CRD42019139615; https://www.crd.york.ac.uk/prospero/display_record.php?RecordID=139615. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): RR2-10.1136/bmjopen-2019-035411.
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 | 0,039 | 0,102 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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.
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».