Understanding Adoption and Preliminary Effectiveness of a Mobile App for Chronic Pain Management Among US Military Veterans: Pre-Post Mixed Methods Evaluation
Notice bibliographique
Résumé
BACKGROUND: The Veterans Health Administration Pain Coach mobile health app was developed to support veterans with chronic pain. OBJECTIVE: Our objective was to evaluate early user experiences with the Pain Coach app and preliminary impacts of app use on pain-related outcomes. METHODS: Following a sequential, explanatory, mixed methods design, we mailed surveys to veterans at 2 time points with an outreach program in between and conducted semistructured interviews with a subsample of survey respondents. We analyzed survey data using descriptive statistics among veterans who completed both surveys and examined differences in key outcomes using paired samples t tests. We analyzed semistructured interview data using thematic analysis. RESULTS: Of 1507 veterans invited and eligible to complete the baseline survey, we received responses from 393 (26.1%). These veterans received our outreach program; 236 (236/393, 60.1%) completed follow-up surveys. We conducted interviews with 10 app users and 10 nonusers. Among survey respondents, 10.2% (24/236) used Pain Coach, and 58% (14/24) reported it was easy to use, though interviews identified various app usability issues. Veterans who used Pain Coach reported greater pain self-efficacy (mean 23.1 vs mean 16.6; P=.01) and lower pain interference (mean 34.6 vs mean 31.8; P=.03) after (vs before) use. The most frequent reason veterans reported for not using the app was that their health care team had not discussed it with them (96/212, 45.3%). CONCLUSIONS: Our findings suggest that future efforts to increase adoption of Pain Coach and other mobile apps among veterans should include health care team endorsement. Our findings regarding the impact of Pain Coach use on outcomes warrant further study.
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 | 0,040 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».