User‐centered design features for digital health applications to support physical activity behaviors in solid organ transplant recipients: A qualitative study
Notice bibliographique
Résumé
INTRODUCTION: Digital health tools may be effective in engaging solid organ transplant (SOT) recipients in physical activity (PA). This study examined the perspectives of SOT recipients regarding PA, and desired features for digital health tools. METHODS: Semi-structured interviews were used to explore perspectives of SOT recipients about barriers and motivators to physical activity, and core features of a digital health tool to support PA. Interviews were analyzed via thematic analysis. RESULTS: Participants included 21 SOT recipients (11 men, 10 women, 21-78 years, 1.5-16 years post-transplant) from various organ groups (four heart, five kidney, five liver, three lung, and four multi-organ). Barriers to PA included risk aversion, managing non-linear health trajectories, physical limitations and lack of access to appropriate fitness training. Facilitators of PA included desire to live long and healthy lives, renewed physical capabilities, access to appropriate fitness guidelines and facilities. Desired features of a digital health tool included a reward system, affordability, integration of multiple functions, and the ability to selectively share information with healthcare professionals and peers. CONCLUSIONS: SOT recipients identified the desired features of a digital health tool, which may be incorporated into future designs of digital and mobile health applications to support PA in SOT recipients.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,000 |
| 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 ».