Notice bibliographique
Résumé
Health-based mobile applications (mHealth) are downloadable applications on a smartphone or similar device for use in health care, either by the person directly or by a health care provider. This Horizon Scan summarizes the available information and provides an overview of health apps on smartphones that are not connected to specialized medical equipment, describing examples of emerging apps in different clinical areas, who they might benefit, and their operational issues. There are over 350,000 mobile applications available for download in app stores, used for a variety of disease areas. These areas include chronic disease, stress, mental health, fitness, sleeping problems, general medication adherence and tracking, and vital sign measurements. The scan identified that health apps often fall into 1 of 4 categories: informational applications, diagnostic applications, disease management applications, and fitness tracking applications. Numerous apps were identified that are available for use by people in Canada. Health apps offer the potential to provide convenience, flexibility, accessibility, and personalized health information. However, the majority of health apps that require evidence of benefit for users have not been assessed in appropriately designed studies that examine their clinical efficacy, or safety. The apps that have been tested in some research studies may have numerous shortcomings in areas such as app design, user engagement, user satisfaction, and retention. This scan describes some operational considerations for apps that relate to their lack of evidence-base, concerns about biases in app design, and the need for equity focused app development. It was noted in the literature that many apps do not provide appropriate privacy and confidentiality for consumers, which may put people at risk of data breaches or inappropriate use of personal data.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».