MétaCan
Menu
Retour à la cohorte
Enregistrement W3211120222 · doi:10.2196/29214

mHealth-Based Health Promotion Intervention to Improve Use of Maternity Care Services Among Women in Rural Southwestern Uganda: Iterative Development Study

2021· article· en· W3211120222 sur OpenAlexvenueno aff
Esther C. Atukunda, Lynn T. Matthews, Angella Musiimenta, Godfrey Mugyenyi, Samuel Mugisha, Norma C. Ware, Celestino Obua, Mark J. Siedner

Notice bibliographique

RevueJMIR Formative Research · 2021
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesFogarty International Center
Mots-clésmHealthAttendanceFocus groupPsychological interventionFormative assessmentMedicineNursingIntervention (counseling)Health careStakeholderGeneral partnershipHealth promotionMedical educationPublic healthFamily medicinePsychologyPublic relationsBusiness

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Antenatal care (ANC) prevents perinatal morbidity and mortality, but use of these services in Uganda remains low and maternal mortality rates are among the highest in the world. There is growing evidence that mobile health (mHealth) approaches improve timely communication of health-related information and produce positive health behavior change as well as health outcomes. However, there are limited data to guide development of such interventions in settings where ANC attendance and uptake of skilled maternity care are low. OBJECTIVE: The aim of this study is to develop a novel patient-centered mHealth intervention to encourage and support women to use maternity care services in Mbarara district, southwestern Uganda. METHODS: Using an iterative development approach, we conducted formative stakeholder interviews with 30 women and 5 health care providers (HCPs) to identify preferred key ANC topics and characterize the preferred messaging intervention; developed content for SMS text messaging and audio messaging with the help of 4 medical experts based on the identified topics; designed an app prototype through partnership with an mHealth development company; and pilot-tested the prototype and sought user experiences and feedback to refine the intervention through 3 sets of iterative interviews, a focus group discussion, and 5 cognitive interviews. Qualitative data were coded and analyzed using NVivo (version 12.0; QSR International). RESULTS: Of the 75 women who completed interviews during the development of the prototype, 39 (52%) had at least a primary education and 75 (100%) had access to a mobile phone. The formative interviews identified 20 preferred perinatal health topics, ranging from native medicine use to comorbid disorders and danger signs during pregnancy. In all, 6 additional topics were identified by the interviewed HCPs, including birth preparedness, skilled delivery, male partner's involvement, HCP interaction, immunization, and caring for the baby. Positive audio messaging and SMS text messaging content without authoritative tones was developed as characterized by the interviewed women. The postpilot iterative interviews and focus group discussion revealed a preference for customized messaging, reflecting an individual need to be included and connected. The women preferred short, concise, clear actionable messages that guided, supported, and motivated them to keep alert and seek professional help. Complementary weekly reminders to the women's significant others were also preferred to encourage continuity or prompt the needed social support for care seeking. CONCLUSIONS: We used an iterative approach with diffuse stakeholders to develop a patient-centered audio messaging and SMS text messaging app designed to communicate important targeted health-related information and support rural pregnant women in southwestern Uganda. Involving both HCPs and end users in developing and formulating the mHealth intervention allowed us to tailor the intervention characteristics to the women's preferences. Future work will address the feasibility, acceptability, and effectiveness of this design approach.

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

Étiquettes directes de modèles (non validées)

Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.

BrasCatégoriesDevis d'étudeConfiance
gemmaaucune catégorie
Domaine: non disponible · Genre: Empirique
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Observationnellow
gptaucune catégorie
Domaine: non disponible · Genre: Empirique
Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non
Observationnelmedium
modèles en accordL'accord compare des ensembles de catégories et des devis identiques entre les bras.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,004
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,146
Score d'incertitude au seuil0,996

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0040,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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 Opus0,104
Tête enseignante GPT0,506
Écart entre enseignants0,402 · 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

Étiqueté directement par 2 modèles lisant le dossier complet.

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

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

En bref

Citations18
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative ResearchMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207