Ethical considerations for developing pediatric mhealth interventions for teens with socially complex needs
Notice bibliographique
Résumé
TOPIC: Mobile Health (mHealth) stands as a potential means to better reach, assess, and intervene with teens with socially complex needs. These youth often face overlapping adversities including medical illness and a history of experiencing adverse childhood experiences (ACEs). Clinicians are faced with navigating ethical decisions when developing mHealth tools for teens who have socially complex needs. Many tools have been developed for adults from the general population. However, despite the development of thousands of mHealth interventions, developers tend to focus on designing for usability, engagement, and efficacy, with less attention on the ethical considerations of making such tools. PURPOSE: To safely move mHealth interventions from research into clinical practice, ethical standards must be met during the design phase. In this paper we adapt the Four Box Model (i.e., medical indications, preferences of patients, quality of life, and contextual features) to guide mHealth developers through ethical considerations when designing mHealth interventions for teens who present with a medical diagnosis and a history of ACEs. SOURCES: A review of language, inclusive features, data sharing, and usability is presented using both the Four Box Model and potential scenarios to guide each consideration. CONCLUSIONS: To better support designers of mHealth tools we present a framework for evaluating applications to determine overlap with ethical design and are well suited for use in clinical practice with underserved pediatric 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 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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,004 |
| 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 ».