MétaCan
Menu
Retour à la cohorte
Enregistrement W4393208354 · doi:10.2196/53186

Response Rate Patterns in Adolescents With Concussion Using Mobile Health and Remote Patient Monitoring: Observational Study

2024· article· en· W4393208354 sur OpenAlexvenueno aff
Sicong Ren, Catherine C. McDonald, Daniel J. Corwin, Douglas J. Wiebe, Christina L. Master, Kristy B. Arbogast

Notice bibliographique

RevueJMIR Pediatrics and Parenting · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueTraumatic Brain Injury Research
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute of Neurological Disorders and StrokeNational Institutes of HealthChildren's Hospital of Philadelphia
Mots-clésPreprintConcussionPsychologyMedicineComputer scienceMedical emergencyInjury preventionWorld Wide WebPoison control

Résumé

récupéré en direct d'OpenAlex

Background: A concussion is a common adolescent injury that can result in a constellation of symptoms, negatively affecting academic performance, neurobiological development, and quality of life. Mobile health (mHealth) technologies, such as apps for patients to report symptoms or wearables to measure physiological metrics like heart rate, have been shown to be promising in health maintenance. However, there is limited evidence about mHealth engagement in adolescents with a concussion during their recovery course. Objective: This study aims to determine the response rate and response rate patterns in concussed adolescents reporting their daily symptoms through mHealth technology. It will also examine the effect of time-, demographic-, and injury-related characteristics on response rate patterns. Methods: Participants aged between 11-18 years (median days since injury at enrollment: 11 days) were recruited from the concussion program of a tertiary care academic medical center and a suburban school's athletic teams. They were asked to report their daily symptoms using a mobile app. Participants were prompted to complete the Post-Concussion Symptom Inventory (PCSI) 3 times (ie, morning, afternoon, and evening) per day for 4 weeks following enrollment. The primary outcome was the response rate pattern over time (by day since initial app use and the day since injury). Time-, demographic-, and injury-related differences in reporting behaviors were compared using Mann Whitney U tests. Results: A total of 56 participants were enrolled (mean age 15.3, SD 1.9 years; n=32, 57% female). The median response rate across all days of app use in the evening was 37.0% (IQR 27.2%-46.4%), which was significantly higher than the morning (21.2%, IQR 15.6%-30.5%) or afternoon (26.4%, IQR 21.1%-31.5%; P<.001). The median daily response was significantly different by sex (female: 53.8%, IQR 46.2%-64.2% vs male: 42.0%, IQR 28.6%-51.1%; P=.003), days since injury to app use (participants starting to use the app >7 days since injury: 54.1%, IQR 47.4%-62.2% vs starting to use the app ≤7 days since injury: 38.0%, IQR 26.0%-53.3%; P=.002), and concussion history (participants with a history of at least one prior concussion: 57.4%, IQR 44.5%-70.5% vs participants without concussion history: 42.3%, IQR 36.8%-53.5%; P=.03). There were no significant differences by age. Differences by injury mechanism (sports- and recreation-related injury: 39.6%, IQR 36.1%-50.4% vs non-sports- or recreation-related injury: 30.6%, IQR 20.0%-42.9%; P=.04) and initial symptom burden (PCSI scores greater than the median score of 47: 40.9%, IQR 35.2%-53.8% vs PCSI scores less than or equal to the median score: 31.9%, IQR 24.6%-40.6%; P=.04) were evident in the evening response rates; however, daily rates were not statistically different. Conclusions: Evening may be the optimal time to prompt for daily concussion symptom assessment among concussed adolescents compared with morning or afternoon. Multiple demographic- and injury-related characteristics were associated with higher daily response rates, including for female participants, those with more than 1 week from injury to beginning mHealth monitoring, and those with a history of at least one previous concussion. Future studies may consider incentive strategies or adaptive digital concussion assessments to increase response rates in populations with low engagement.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,003
score de la tête « metaresearch » (Gemma)0,008
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,003
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,008
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,001

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.

Tête enseignante Opus0,152
Tête enseignante GPT0,415
Écart entre enseignants0,264 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Pediatrics and ParentingMême sujetTraumatic Brain Injury ResearchTravaux en français237 207