Evaluating Health Care Provider Perspectives on the Use of Mobile Apps to Support Patients With Heart Failure Management: Qualitative Descriptive Study
Notice bibliographique
Résumé
BACKGROUND: Nonadherence to diet and medical therapies in heart failure (HF) contributes to poor HF outcomes. Mobile apps may be a promising way to improve adherence because they increase knowledge and behavior change via education and monitoring. Well-designed apps with input from health care providers (HCPs) can lead to successful adoption of such apps in practice. However, little is known about HCPs' perspectives on the use of mobile apps to support HF management. OBJECTIVE: The aim of this study is to determine HCPs' perspectives (needs, motivations, and challenges) on the use of mobile apps to support patients with HF management. METHODS: A qualitative descriptive study using one-on-one semistructured interviews, informed by the diffusion of innovation theory, was conducted among HF HCPs, including cardiologists, nurses, and nurse practitioners. Transcripts were independently coded by 2 researchers and analyzed using content analysis. RESULTS: The 21 HCPs (cardiologists: n=8, 38%; nurses: n=6, 29%; and nurse practitioners: n=7, 33%) identified challenges and opportunities for app adoption across 5 themes: participant-perceived factors that affect app adoption-these include patient age, technology savviness, technology access, and ease of use; improved delivery of care-apps can support remote care; collect, share, and assess health information; identify adverse events; prevent hospitalizations; and limit clinic visits; facilitating patient engagement in care-apps can provide feedback and reinforcement, facilitate connection and communication between patients and their HCPs, support monitoring, and track self-care; providing patient support through education-apps can provide HF-related information (ie, diet and medications); and participant views on app features for their patients-HCPs felt that useful apps would have reminders and alarms and participative elements (gamification, food scanner, and quizzes). CONCLUSIONS: HCPs had positive views on the use of mobile apps to support patients with HF management. These findings can inform effective development and implementation strategies of HF management apps in clinical practice.
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 | 0,015 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,004 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».