A Mobile App With Multimodality Prehabilitation Programs for Patients Awaiting Elective Surgery: Development and Usability Study
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Complying with a prehabilitation program is difficult for patients who will undergo surgery, owing to transportation challenges and a limited intervention time window. Mobile health (mHealth) using smartphone apps has the potential to remove barriers and improve the effectiveness of prehabilitation. OBJECTIVE: This study aimed to develop a mobile app as a tool for facilitating a multidisciplinary prehabilitation protocol involving blood flow restriction training and sport nutrition supplementation. METHODS: The app was developed using "Appy Pie," a noncoding app development platform. The development process included three stages: (1) determination of principles and requirements of the app through prehabilitation research team meetings; (2) app prototype design using the Appy Pie platform; and (3) app evaluation by clinicians and exercise and fitness specialists, technical professionals from Appy Pie, and non-team-member users. RESULTS: We developed a prototype of the app with the core focus on a multidisciplinary prehabilitation program with accessory features to improve engagement and adherence to the mHealth intervention as well as research-focused features to evaluate the effects of the program on frailty status, health-related quality of life, and anxiety level among patients awaiting elective surgery. Evaluations by research members and random users (n=8) were consistently positive. CONCLUSIONS: This mobile app has great potential for improving and evaluating the effectiveness of the multidisciplinary prehabilitation intervention in the format of mHealth in future.
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.
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 | 0,002 | 0,001 |
| 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 | 0,002 | 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 découle