An Evidence-Based Framework for Creating Inclusive and Personalized mHealth Solutions—Designing a Solution for Medicaid-Eligible Pregnant Individuals With Uncontrolled Type 2 Diabetes
Notice bibliographique
Résumé
Mobile health (mHealth) apps can be an evidence-based approach to improve health behavior and outcomes. Prior literature has highlighted the need for more research on mHealth personalization, including in diabetes and pregnancy. Critical gaps exist on the impact of personalization of mHealth apps on patient engagement, and in turn, health behaviors and outcomes. Evidence regarding how personalization, engagement, and health outcomes could be aligned when designing mHealth for underserved populations is much needed, given the historical oversights with mHealth design in these populations. This viewpoint is motivated by our experience from designing a personalized mHealth solution focused on Medicaid-enrolled pregnant individuals with uncontrolled type 2 diabetes, many of whom also experience a high burden of social needs. We describe fundamental components of designing mHealth solutions that are both inclusive and personalized, forming the basis of an evidence-based framework for future mHealth design in other disease states with similar contexts.
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 | 0,117 | 0,103 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,005 |
| Bibliométrie | 0,017 | 0,005 |
| Études des sciences et des technologies | 0,007 | 0,016 |
| Communication savante | 0,018 | 0,011 |
| Science ouverte | 0,010 | 0,017 |
| Intégrité de la recherche | 0,015 | 0,012 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,003 |
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 ».