Mobile Phone Apps Targeting Medication Adherence: Quality Assessment and Content Analysis of User Reviews (Preprint)
Notice bibliographique
Résumé
BACKGROUND With the accessibility and widespread use of mobile phones, mobile phone apps targeting medication adherence may be useful tools to help patients take medications as prescribed. OBJECTIVE Our objectives were to (1) characterize and assess mobile phone medication adherence apps guided by a conceptual framework on the focus of adherence interventions and (2) conduct a content analysis of Web-based reviews to explore users’ perspectives and experiences with mobile phone medication adherence apps. METHODS We searched for mobile phone medication adherence apps using keyword searches in Apple and Android operating systems. We characterized all apps in terms of number of downloads, ratings, languages, cost, and disease target. We categorized apps according to 4 key features of (1) alerting to take medication, (2) tracking medication taking, (3) reminding to refill or indicating amount of medication left, and (4) storing medication information. We then selected representative apps from each operating system for detailed quality assessment and user testing. We also downloaded Web-based reviews for these selected apps and conducted a qualitative content analysis using an inductive approach involving steps of initial open coding, construction of categories, and abstraction into themes. RESULTS We identified 704 apps (443 from Apple and 261 from Android). The majority of apps across both operating systems had 1 or 2 features—specifically, 37.2% (165/443) and 38.1% (169/443) of Apple apps, respectively, and 41.4% (108/261) and 31.4% (108/261) of Android apps, respectively. Quality assessment and user testing of 20 selected apps revealed apps varied in quality and commonly focused on behavioral strategies to enhance medication adherence through alerts, reminders, and logs. A total of 1323 eligible Web-based reviews from these 20 selected apps were analyzed, and the following themes emerged: (1) features and functions appreciated by users, which included the ability to set up customized medication regimen details and reminders, monitor other health information (eg, vitals, supplements, and manage multiple people or pets), support health care visits (eg, having a list of medications and necessary health information in 1 app); (2) negative user experiences that captured technical difficulties (glitches, confusing app navigation, and poor interoperability), dosage schedule, and reminder setup inflexibility; and (3) desired functions and features related to optimization of information input, improvement of reminders, and upgrading app performance (better synchronization or backup of data and interoperability). CONCLUSIONS A large number of mobile phone medication adherence apps are currently available. The majority of apps have features representing a behavioral approach to intervention. Findings of the content analysis offer mostly positive feedback as well as insights into current limitations and improvements that could be addressed in current and future medication adherence apps.
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 | 0,173 | 0,453 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,026 | 0,024 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».