MétaCan
Menu
Retour à la cohorte
Enregistrement W3186796850 · doi:10.2196/26759

Social Media and mHealth Technology for Cancer Screening: Systematic Review and Meta-analysis

2021· review· en· W3186796850 sur OpenAlexafffund
Arlinda Ruco, Fahima Dossa, Jill Tinmouth, Diego Llovet, Jenna Jacobson, Teruko Kishibe, Nancy N. Baxter

Notice bibliographique

RevueJournal of Medical Internet Research · 2021
Typereview
Langueen
DomaineSocial Sciences
ThématiqueSocial Media in Health Education
Établissements canadiensHealth Sciences CentreCancer Care OntarioSunnybrook Health Science CentreToronto Metropolitan UniversityUniversity of TorontoSt. Michael's Hospital
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésPsychological interventionMedicineCINAHLmHealthMeta-analysisMEDLINEPsycINFOOdds ratioCancer screeningSystematic reviewSocial mediaFamily medicineRandomized controlled trialCancerInternal medicineNursingWorld Wide Web

Résumé

récupéré en direct d'OpenAlex

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 machine sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,021
score de la tête « metaresearch » (Gemma)0,055
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,021
Score d'incertitude au seuil0,110

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0210,055
Méta-épidémiologie (sens strict)0,0030,002
Méta-épidémiologie (sens large)0,0210,039
Bibliométrie0,0090,009
Études des sciences et des technologies0,0010,001
Communication savante0,0040,003
Science ouverte0,0030,002
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,697
Tête enseignante GPT0,670
Écart entre enseignants0,028 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeMéta-analyse
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations108
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Medical Internet ResearchMême sujetSocial Media in Health EducationTravaux en français237 207