Preferences for Using a Mobile App in Sickle Cell Disease Self-management: Descriptive Qualitative Study
Notice bibliographique
Résumé
BACKGROUND: Individuals with sickle cell disease (SCD) and their caregivers may benefit from technology-based resources to improve disease self-management. OBJECTIVE: This study explores the preferences regarding a mobile health (mHealth) app to facilitate self-management in adults with SCD and their caregivers living in urban and rural communities. METHODS: Five community listening sessions were conducted in 2 urban and rural communities among adults with SCD and their caregivers (N=43). Each session comprised 4 to 15 participants. Participants were asked questions on methods of finding information about SCD self-care, satisfaction with current methods for finding SCD management information, support for SCD management, important features for development of an mHealth app, and areas of benefit for using an mHealth app for SCD self-management. An inductive-deductive content analysis approach was implemented to identify the critical themes. RESULTS: Seven critical themes emerged, including the current methods for receiving self-management information, desired information, recommendations for communicating sickle cell self-management information, challenges of disease management, types of support received for disease management, barriers to and facilitators of using an mHealth app, and feature preferences for an mHealth app. In addition, we found that the participants were receptive to using mHealth apps in SCD self-management. CONCLUSIONS: This study expands our knowledge on the use of mHealth technology to reduce information access barriers pertaining to SCD. The findings can be used to develop a patient-centered, user-friendly mHealth app to facilitate disease self-management, thus increasing access to resources for families of patients with SCD residing in rural communities.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 | 0,000 |
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; 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 ».