Can Smartphone Notifications Help With Gout Management? A Feasibility Study
Notice bibliographique
Résumé
OBJECTIVE: This feasibility study aimed to assess the acceptability of using smartphone notifications to modify the medication beliefs of people with gout. We evaluated the feasibility and acceptability of a smartphone application using the Technology Acceptance Model. We explored adherence rate differences and outcomes between the intervention and control groups. METHODS: Fifty-two patients with gout who were prescribed allopurinol were randomly assigned to either active control (n = 24) or intervention group (n = 28). Over 3 months, both groups used the study app on their smartphones. The active control group received notifications about general health advice, whereas the intervention group received adherence-targeted notifications. The feasibility and acceptability of the smartphone app was measured through semistructured interviews. Adherence rate was assessed through serum urate levels and missed doses at 3 timepoints: baseline, 3 months (post intervention), and 6 months (follow-up). RESULTS: < 0.05), but no significant differences in serum urate levels were found between the groups. Patients who received adherence-targeted notifications reported finding it more convenient to take allopurinol and expressed higher overall treatment satisfaction throughout the study. CONCLUSION: Adherence-targeted notifications have the potential to be an effective and scalable approach to supporting medication adherence in patients with gout. Further research is needed with larger samples to refine the components of the intervention and explore its optimal implementation.
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 | 0,012 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».