Smartphone-Based Remote Monitoring for Chronic Heart Failure: Mixed Methods Analysis of User Experience From Patient and Nurse Perspectives
Notice bibliographique
Résumé
BACKGROUND: Community-based management by heart failure specialist nurses (HFSNs) is key to improving self-care in heart failure with reduced ejection fraction. Remote monitoring (RM) can aid nurse-led management, but in the literature, user feedback evaluation is skewed in favor of the patient rather than nursing user experience. Furthermore, the ways in which different groups use the same RM platform at the same time are rarely directly compared in the literature. We present a balanced semantic analysis of user feedback from patient and nurse perspectives of Luscii, a smartphone-based RM strategy combining self-measurement of vital signs, instant messaging, and e-learning. OBJECTIVE: This study aims to (1) evaluate how patients and nurses use this type of RM (usage type), (2) evaluate patients' and nurses' user feedback on this type of RM (user experience), and (3) directly compare the usage type and user experience of patients and nurses using the same type of RM platform at the same time. METHODS: We performed a retrospective usage type and user experience evaluation of the RM platform from the perspective of both patients with heart failure with reduced ejection fraction and the HFSNs using the platform to manage them. We conducted semantic analysis of written patient feedback provided via the platform and a focus group of 6 HFSNs. Additionally, as an indirect measure of tablet adherence, self-measured vital signs (blood pressure, heart rate, and body mass) were extracted from the RM platform at onboarding and 3 months later. Paired 2-tailed t tests were used to evaluate differences between mean scores across the 2 timepoints. RESULTS: A total of 79 patients (mean age 62 years; 35%, 28/79 female) were included. Semantic analysis of usage type revealed extensive, bidirectional information exchange between patients and HFSNs using the platform. Semantic analysis of user experience demonstrates a range of positive and negative perspectives. Positive impacts included increased patient engagement, convenience for both user groups, and continuity of care. Negative impacts included information overload for patients and increased workload for nurses. After the patients used the platform for 3 months, they showed significant reductions in heart rate (P=.004) and blood pressure (P=.008) but not body mass (P=.97) compared with onboarding. CONCLUSIONS: Smartphone-based RM with messaging and e-learning facilitates bilateral information sharing between patients and nurses on a range of topics. Patient and nurse user experience is largely positive and symmetrical, but there are possible negative impacts on patient attention and nurse workload. We recommend RM providers involve patient and nurse users in platform development, including recognition of RM usage in nursing job plans.
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 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».