Smartphone Apps for Diabetes Medication Adherence: Systematic Review
Notice bibliographique
Résumé
BACKGROUND: Diabetes is one of the leading noncommunicable chronic diseases globally. In people with diabetes, blood glucose levels need to be monitored regularly and managed adequately through healthy lifestyles and medications. However, various factors contribute to poor medication adherence. Smartphone apps can improve medication adherence in people with diabetes, but it is not clear which app features are most beneficial. OBJECTIVE: This study aims to systematically review and evaluate high-quality apps for diabetes medication adherence, which are freely available to the public in Android and Apple app stores and present the technical features of the apps. METHODS: We systematically searched Apple App Store and Google Play for apps that assist in diabetes medication adherence, using predefined selection criteria. We assessed apps using the Mobile App Rating Scale (MARS) and calculated the mean app-specific score (MASS) by taking the average of app-specific scores on 6 dimensions, namely, awareness, knowledge, attitudes, intention to change, help-seeking, and behavior change rated on a 5-point scale (1=strongly disagree and 5=strongly agree). We used the mean of the app's performance on these 6 dimensions to calculate the MASS. Apps that achieved a total MASS mean quality score greater than 4 out of 5 were considered to be of high quality in our study. We formulated a task-technology fit matrix to evaluate the apps for diabetes medication adherence. RESULTS: We identified 8 high-quality apps (MASS score≥4) and presented the findings under 3 main categories: characteristics of the included apps, app features, and diabetes medication adherence. Our framework to evaluate smartphone apps in promoting diabetes medication adherence considered physiological factors influencing diabetes and app features. On evaluation, we observed that 25% of the apps promoted high adherence and another 25% of the apps promoted moderate adherence. Finally, we found that 50% of the apps provided low adherence to diabetes medication. CONCLUSIONS: Our findings show that almost half of the high-quality apps publicly available for free did not achieve high to moderate medication adherence. Our framework could have positive implications for the future design and development of apps for patients with diabetes. Additionally, apps need to be evaluated using a standardized framework, and only those promoting higher medication adherence should be prescribed for better health outcomes.
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 | 0,005 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,009 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».