Bridging evidence-to-care gaps with mHealth: Designing a symptom checker for parents accessing knowledge translation resources on acute children’s illnesses in a smartphone application
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
Background: Smartphone applications offer a novel platform for delivering health information to parents. This study created and evaluated an app-based symptom checker that recommends educational tools to parents based on their child's symptoms. Methods: Symptoms extracted from 23 knowledge translation (KT) tools for 10 children's illnesses comprised a set of plain-language symptoms. The symptom checker works by producing confusion matrices evaluating a child's reported symptoms against possible illnesses, comparing precision scores to examine how well each illness matched reported symptoms, and ordering possible illnesses by performance score. Performance was evaluated by extracting symptoms from 8 clinical vignettes, and examining correct first-try matches. Results: We created a final list of 54 plain-language symptoms. Visualizations of the symptom set creation process and logic mapping are presented, as well as images of the working symptom checker. The symptom checker matched 100% (8/8) of tested clinical vignettes to the appropriate illness resource. Discussion: Symptom checkers are a potentially useful tool to integrate into apps that parents use for their children's health. The design of these systems has the potential to change parents' relationship with technology, affecting both their adoption and acceptance of symptom checkers. Our design choices contribute to addressing current barriers to the adoption of symptom checkers, reducing functional, critical, and interactive literacy requirements for parents.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,006 |
| Études des sciences et des technologies | 0,002 | 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 découle