Improving Pelvic Floor Muscle Training Adherence Among Pregnant Women: Validation Study
Notice bibliographique
Résumé
BACKGROUND: Mobile health apps, for example, the Tät, have been shown to be potentially effective in improving pelvic floor muscle training (PFMT) among women, but they have not yet been studied among pregnant women. Adherence to daily PFMT will improve pelvic floor muscle strength leading to urinary incontinence (UI) improvement during the pregnancy. OBJECTIVE: This study aims to document the validation process in developing the Kegel Exercise Pregnancy Training app, which was designed to improve the PFMT adherence among pregnant women. METHODS: We utilized an intervention mapping approach incorporated within the mobile health development and evaluation framework. The framework involved the following steps: (1) conceptualization, (2) formative research, (3) pretesting, (4) pilot testing, (5) randomized controlled trial, and (6) qualitative research. The user-centered design-11 checklist was used to evaluate the user-centeredness properties of the app. RESULTS: A cross-sectional study was conducted to better understand PFMT and UI among 440 pregnant women. The study reported a UI prevalence of 40.9% (180/440), with less than half having good PFMT practice despite their good knowledge. Five focus group discussions were conducted to understand the app design preferred by pregnant women. They agreed a more straightforward design should be used for better app usability. From these findings, a prototype was designed and developed accordingly, and the process conformed to the user-centered design-11 (UCD-11) checklist. A PFMT app was developed based on the mHealth development and evaluation framework model, emphasizing higher user involvement in the application design and development. The application was expected to improve its usability, acceptability, and ease of use. CONCLUSIONS: The Kegel Exercise Pregnancy Training app was validated using a thorough design and development process to ensure its effectiveness in evaluating the usability of the final prototype in our future randomized control trial 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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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) | 0,003 | 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 tête enseignante, 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 ».