Preferences of Older Adult Veterans With Heart Failure for Engaging With Mobile Health Technology to Support Self-care: Qualitative Interview Study Among Patients With Heart Failure and Content Analysis
Notice bibliographique
Résumé
BACKGROUND: Heart failure (HF) affects approximately 6.5 million adults in the United States, disproportionately afflicting older adults. Mobile health (mHealth) has emerged as a promising tool to empower older adults in HF self-care. However, little is known about the use of this approach among older adult veterans. OBJECTIVE: The goal of this study was to explore which features of an app were prioritized for older adult veterans with HF. METHODS: Between January and July 2021, we conducted semistructured interviews with patients with heart failure aged 65 years and older at a single facility in an integrated health care system (the Veterans Health Administration). We performed content analysis and derived themes based on the middle-range theory of chronic illness, generating findings both deductively and inductively. The qualitative questions captured data on the 3 key themes of the theory: self-care maintenance, self-care monitoring, and self-care management. Qualitative responses were analyzed using a qualitative data management platform, and descriptive statistics were used to analyze demographic data. RESULTS: Among patients interviewed (n=9), most agreed that a smartphone app for supporting HF self-care was desirable. In addition to 3 a priori themes, we identified 7 subthemes: education on daily HF care, how often to get education on HF, support of medication adherence, dietary restriction support, goal setting for exercises, stress reduction strategies, and prompts of when to call a provider. In addition, we identified 3 inductive themes related to veteran preferences for app components: simplicity, ability to share data with caregivers, and positive framing of HF language. CONCLUSIONS: We identified educational and tracking app features that can guide the development of HF self-care for an older adult veteran population. Future research needs to be done to extend these findings and assess the feasibility of and test an app with these features.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».