Abstract 10731: Evaluation of Patient Perspectives on the Use of Mobile Apps to Support Heart Failure Management
Notice bibliographique
Résumé
Background: Adherence to diet and medical therapies are key to improving heart failure (HF) outcomes; however, nonadherence is common. While mobile apps may be a promising way to support patients with adherence via education and monitoring, little is known about HF patient opinions regarding adoption of apps for HF management; which is critical to understand for these tools to be successfully developed, implemented, and adopted. Objective: To determine patients’ needs, motivations and challenges on the use of mobile apps to support HF management. Methods: A qualitative descriptive study using focus groups (n=4,60 minutes) was conducted among HF patients (aged ≥18 yrs, smartphone/tablet users, on stable medical therapy without hospital admission for ≥ 6 months) from outpatient HF clinics in Toronto, Canada. The Diffusion of Innovation theory informed a ten-question interview guide. Interview transcripts were independently coded by two researchers and analyzed using content analysis. Results: Nineteen HF patients (65 ± 10 yrs, 12 men) identified technology and app use behaviours, opportunities and challenges across six main themes: 1)‘Patient usage of technology’, many patients already used technology for daily activities and monitoring health; 2) ‘Patient views on adopting new technology’, some patients reported being early adopters of technology, while others would wait; 3) ‘Factors impacting technology use by patients’, included access to accurate information, easy and accessible user-interface; 4) ‘Providing patient support through access to information and self-monitoring’, apps could provide education on HF-related content (e.g., diet, medication, exercise, symptoms); 5) ‘Facilitating connection and communication’, apps could help information sharing with healthcare providers and connect with other patients; 6) ‘Patient preferences of app features’, app features such as reminders for medication, and visuals to show changes in HF symptoms were favoured. Conclusions: HF patients perceive several benefits to app use for HF self-management. Capitalizing on the opportunities apps offer may maximize their adoption by patients and support adherence to diet and medical therapies to improve HF outcomes.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,013 | 0,036 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».