5.5 The usability and effect of an mHealth program to support active rehabilitation for concussion
Notice bibliographique
Résumé
Objective To determine usability – perceived rating of usefulness, ease of learning, ease of use, effectiveness, satisfaction, and interface quality – and effect of a mobile health (mHealth) program delivering active rehabilitation for concussion. Design Case series. Setting Multi-center. Participants Patients diagnosed with a concussion. Interventions (or Assessment of Risk Factors) A mHealth delivered active rehabilitation program was provided to users for two weeks. Outcome Measures mHealth app usability questionnaire (MUAQ) and concussion symptoms. Main Results Thirty-one total participants took place in a two-week mHealth program (female, n = 24; male, n = 7). The average age of participants was 33.5 years old. Symptom severity scores decreased by a mean of 12 points in participants (interquartile range [IQR] of the difference = -1.7 – 26) over the two-week program. Of the 31 participants, 23 (74%) responded to the mHealth app usability survey upon completion of the program. On a 4-point Likert scale ranging from somewhat disagree to strongly agree, and a positive response considered either ‘agree’ or ‘strongly’ agreed, 86% of participants were overall satisfied with the app (91% were either ‘satisfied’ or ‘very satisfied’), 87% found it useful for their well-being, 87% found it easy to use, and 91% would use the app again. Conclusions A mHealth delivered active rehabilitation program decreased symptom burden in users. Users were overwhelmingly satisfied with the mHealth program, found it easy to use, would recommend it, and would use it again.
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 | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| 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 ».