Associations of Health App Use and Perceived Effectiveness in People With Cardiovascular Diseases and Diabetes: Population-Based Survey (Preprint)
Notice bibliographique
Résumé
BACKGROUND Mobile health apps can help to change health-related behaviors and manage chronic conditions in patients with cardiovascular diseases (CVDs) and diabetes mellitus, but a certain level of health literacy and electronic health (eHealth) literacy may be needed. OBJECTIVE The aim of this study was to identify factors associated with mobile health app use in individuals with CVD or diabetes and detect relations with the perceived effectiveness of health apps among app users. METHODS The study used population-based Web-based survey (N=1500) among Germans, aged 35 years and older, with CVD, diabetes, or both. A total of 3 subgroups were examined: (1) Individuals with CVD (n=1325), (2) Individuals with diabetes (n=681), and (3) Individuals with CVD and diabetes (n=524). Sociodemographics, health behaviors, CVD, diabetes, health and eHealth literacy, characteristics of health app use, and characteristics of apps themselves were assessed by questionnaires. Linear and logistic regression models were applied. RESULTS Overall, patterns of factors associated with health app use were comparable in individuals with CVD or diabetes or both. Across subgroups, about every fourth patient reported using apps for health-related purposes, with physical activity and weight loss being the most prominent target behaviors. Health app users were younger, more likely to be female (except in those with CVD and diabetes combined), better educated, and reported more physical activity. App users had higher eHealth literacy than nonusers. Those users who perceived the app to have a greater effectiveness on their health behaviors tended to be more health and eHealth literate and rated the app to use more behavior change techniques (BCTs). CONCLUSIONS There are health- and literacy-related disparities in the access to health app use among patients with CVD, diabetes, or both, which are relevant to specific health care professionals such as endocrinologists, dieticians, cardiologists, or general practitioners. Apps containing more BCTs had a higher perceived effect on people’s health, and app developers should take the complexity of needs into account. Furthermore, eHealth literacy appears to be a requirement to use health apps successfully, which should be considered in health education strategies to improve health in patients with CVD and diabetes.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».