Mobile Health App for Tuberculosis Screening and Compliance to Undergo Chest X-ray Examination Among Presumptive Cases Detected by the App in Myanmar: Usability Study
Notice bibliographique
Résumé
BACKGROUND: In Myanmar, the use of a mobile app for tuberculosis (TB) screening and its operational effect on seeking TB health care have not been evaluated yet. OBJECTIVE: This study aims to report the usability of a simple mobile app to screen TB and comply with chest X-ray (CXR) examination of presumptive cases detected by the app. METHODS: A new "TB-screen" app was developed from a Google Sheet based on a previously published algorithm. The app calculates a TB risk propensity score from an individual's sociodemographic characteristics and TB clinical history and suggests whether the individual should undergo a CXR. The screening program was launched in urban slum areas soon after the COVID-19 outbreak subsided. A standard questionnaire was used to assess the app's usability rated by presumptive cases. Compliance to undergo CXR was confirmed by scanning the referral quick response (QR) code via the app. RESULTS: Raters were 453 presumptive cases detected by the app. The mean usability rating score was 4.1 out of 5. Compliance to undergo CXR examination was 71.1% (n=322). Active TB case detection among CXR compliances was 7.5% (n=24). One standard deviation (SD) increase in the app usability score was significantly associated with a 59% increase in the odds to comply with CXR (β=.464) after adjusting for other variables (P<.001). CONCLUSIONS: This simple mobile app got a high usability score rated by 453 users. The mobile app usability score successfully predicted compliance to undergo CXR examination. Eventually, 24 (7.5%) of 322 users who were suspected of having TB by the mobile app were detected as active TB cases by CXR. The system should be upscaled for a large trial.
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 | 0,010 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».