An mHealth App for Decision-Making Support in Wound Dressing Selection (WounDS): Protocol for a User-Centered Feasibility Study (Preprint)
Notice bibliographique
Résumé
BACKGROUND Primary care health professionals, especially family physicians, see a variety of wounds, and yet—despite the frequency of providing wound care—many family physicians do not feel confident in wound care management. This is partly due to a lack of formal wound education in Family Medicine programs. While there are numerous electronic wound care resources available in the UK and North America, none were identified that address the specific need in supporting clinical decision-making in wound dressing selection. At the same time, healthcare providers are increasingly using technology in personal and professional contexts, and a logical extension is to use technology for knowledge translation strategies. OBJECTIVE This work developed a prototype mobile health software application named WounDS, designed to support clinical decision-making in selecting wound dressings. This article presents the development and evaluation plan for the WounDS app. METHODS WounDS has been developed on the iOS platform. The primary specification included ease of use, in that one of the primary influences in user adoption would be the ability to receive a wound dressing recommendation in under 30 seconds and under 5 taps on the screen. The WounDS app guides users through a series of binary decisions for assessing the wound and provides a wound dressing recommendation. The selection algorithm is based in best practices using the Wound Bed Preparation Paradigm. RESULTS Current work is underway to examine the implementation needs for WounDS to be most effectively utilized and to pilot test its feasibility and use in clinical care. Data will be collected through user trials, focus groups, and user metadata will be collected within the app. Optimizing these preconditions will enable a subsequent phase of study to determine effects on clinical decision-making and clinical outcomes. CONCLUSIONS WounDS is designed for knowledge translation, use of technology in clinical decision-making, and continuity of care. The benefits of WounDS include the potential to improve healthcare providers’ competency in wound management and to improve wound healing through better alignment with evidence-based best practices in wound dressing selection, consistency in care from primary to community care, and subsequent downstream impacts in quality of life for patients.
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 | 0,039 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,072 | 0,018 |
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 ».