Digital Health Interventions to Enhance Tuberculosis Treatment Adherence: Scoping Review
Notice bibliographique
Résumé
Background: Digital health technologies are widely used for disease management, with their computing platforms, software, and sensors being used for health care. These technologies are developed to manage chronic diseases and infectious bacterial diseases, including tuberculosis (TB). Objective: This study aims to comprehensively review the literature on the use of digital health interventions (DHIs) for enhancing TB treatment adherence and identify major strategies for their adoption. Methods: We conducted a literature search in the PubMed, Cochrane Library, Ovid Embase, and Scopus databases for relevant studies published between January 2012 and March 2022. Studies that focused on web-based or mobile phone-based interventions, medication adherence, digital health, randomized controlled trials, digital interventions, or mobile health and ubiquitous health technology for TB treatment and related health outcomes were included. Results: We identified 27 relevant studies and classified them according to the intervention method, a significant difference in treatment success, and health outcomes. The following interventions were emphasized: SMS text messaging interventions (8/27, 30%), medicine reminders (6/27, 22%), and web-based direct observation therapy (9/27, 33%). Digital health technology significantly promoted disease management among individuals and health care professionals. However, only a few studies addressed 2-way communication therapies, such as interactive SMS text messaging and feedback systems. Conclusions: This scoping review classified studies on DHIs for patients with TB and demonstrated their potential for the self-management of TB. DHIs are still being developed, and evidence on the impact of digital technologies on enhancing TB treatment adherence remains limited. However, it is necessary to encourage patients' participation in TB treatment and self-management through bidirectional communication. We emphasize the importance of developing a communication system.
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 | 0,013 | 0,063 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,007 |
| Bibliométrie | 0,018 | 0,016 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».