Effectiveness of Mobile Medical Applications Making Sure Medication Safety on Chronic Disease Patients: A Systematic review and Meta analysis (Preprint)
Notice bibliographique
Résumé
BACKGROUND Along with the rapid development of global aging society, the mobile and health digital market has expanded a lot. There are numerous numbers of Mobile Medical Applications emerged on the Internet market, aiming to help patients with chronic diseases achieve the goal of medication safety OBJECTIVE Based on the medication safety action proposed by WHO, the effect of Mobile Medical Applications on the medication safety with chronic disease patients was explored from three aspects: whether Mobile Medical Applications can improve the willingness to report adverse drug events, improve patients' medication adherence and reduce medication errors, so we want to verify our hypothesis via systematic review and meta-analysis. METHODS We strictly followed PRISMA for meta-analysis, including literature search, inclusion and exclusion, data extraction, quality assessment, statistical analysis and subgroup analysis. RESULTS Our study ultimately included 8 studies from 5 countries (China, U.S, France, Canada, Spain)and time from 2014 to 2021, which Mobile Medical Applications could increase ADE reporting willingness [RR= 2.59,95%CI (1.26-5.30),P＜0.01] and significantly improve medication adherence[RR= 1.17,95%CI (1.04-1.31),P＜0.01], but had little effect on reducing medication errors[RR= 0.41,95%CI (0.13-1.33),P＞0.05]. CONCLUSIONS To explore the associated reasons for the low willingness to report ADE and encourage the use of comprehensive tools to assess patient medication adherence, and analyze potential reasons why Mobile Medical Applications does not reduce medication errors. CLINICALTRIAL This systematic review has registered in PROSPERO(an international database of prospectively registered systematic reviews), and register number is CRD42022322072.
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 | 0,017 | 0,057 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,013 | 0,037 |
| Bibliométrie | 0,005 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».