The Evolution of Kidney Stone Information Available to Patients: Interest Trends of Social Media and Quality Assessment of Kidney Stone Smartphone Apps
Notice bibliographique
Résumé
PurposeTo identify what information kidney stone patients want and the resources they use to find it, and to evaluate kidney stone-related smartphone apps based on their actionability, understandability, quality, and reliability.MethodsGoogle Trends was used to assess searches related to kidney stones and related smartphone applications (apps) from 2019 to 2021. A questionnaire aimed at ascertaining where patients obtain kidney stone-related information was posted on popular Facebook groups and one Reddit group. Seven popular kidney stone-related apps were evaluated for reliability, quality, actionability, and understandability. Univariate statistical analysis, search volume index, and descriptive statistics were used to assess correlations and impact of variables on outcomes of interest.ResultsBetween 2019 and 2021, the peak search volume index of kidney stones was in the summer and winter. Questionnaire participants obtain most information from their doctor (45%), Reddit and Facebook groups (43%), YouTube (9%), and smartphone apps (4%). 23% reported using a kidney stone app at least once to obtain information. The average smartphone app overall has poor reliability (2.43, P <0.001) and quality (1.96, P = 0.039) and poor review of treatment options with side effects (1.36, P = 0.689), and does not encourage shared decision-making (2.57, P = 0.162). Poor actionability was found in all apps, and good understandability was found in 6 of the 7 apps.ConclusionWhile physicians are still the most-used resource for patients, patients are increasingly using online platforms and smartphone applications. Urologists should consider engaging kidney stone patients through such platforms to provide reliable educational information.
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 | 0,004 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| 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 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 ».