Smartphone apps for menstrual pain and symptom management: A scoping review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The past decade marks a surge in the development of mobile apps used to digitally track and monitor aspects of personal health, including menstruation. Despite a plethora of menstruation-related apps, pain and symptom management content available in apps has not been systematically examined. The objective of this study was to evaluate app characteristics, overall quality (i.e., engagement, functionality, design aesthetics, and information), nature and quality of pain and symptom tracking features, and availability and quality of pain-related intervention content. A scoping review of apps targeting facets of the menstrual experience was conducted by searching the Apple App Store. After removal of duplicates and screening, 119 apps targeting menstrual experiences were retained. Pain and menstrual symptoms tracking were available in 64 % of apps. Checkboxes or dichotomous (present/absent) reporting was the most common method of tracking symptoms and was available in 75 % of apps. Only a small subset (n = 13) of apps allowed for charting/graphing of pain symptoms across cycles. Fourteen percent of apps included healthcare professionals or researchers in their development and one app reported use of end-users. Overall app quality measured through the Mobile App Rating Scale (MARS) was found to be acceptable; however, the apps ability to impact pain and symptom management (e.g., impact on knowledge, awareness, behaviour change, etc.) was rated as low. Only 10 % of apps (n = 12) had interventions designed to manage pain. The findings suggest that despite pain and symptom management content being present in apps, this content is largely not evidence-based in nature. More research is needed to understand how pain and symptom management content can be integrated into apps to improve user experiences.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle