Users' Acceptability and Perceived Efficacy of mHealth for Opioid Use Disorder: Scoping Review
Notice bibliographique
Résumé
BACKGROUND: The opioid crisis continues to pose significant challenges to global public health, necessitating the development of novel interventions to support individuals in managing their substance use and preventing overdose-related deaths. Mobile health (mHealth), as a promising platform for addressing opioid use disorder, requires a comprehensive understanding of user perspectives to minimize barriers to care and optimize the benefits of mHealth interventions. OBJECTIVE: This study aims to synthesize qualitative insights into opioid users' acceptability and perceived efficacy of mHealth and wearable technologies for opioid use disorder. METHODS: A scoping review of PubMed (MEDLINE) and Google Scholar databases was conducted to identify research on opioid user perspectives concerning mHealth-assisted interventions, including wearable sensors, SMS text messaging, and app-based technology. RESULTS: Overall, users demonstrate a high willingness to engage with mHealth interventions to prevent overdose-related deaths and manage opioid use. Users perceive mHealth as an opportunity to access care and desire the involvement of trusted health care professionals in these technologies. User comfort with wearing opioid sensors emerged as a significant factor. Personally tailored content, social support, and encouragement are preferred by users. Privacy concerns and limited access to technology pose barriers to care. CONCLUSIONS: To maximize benefits and minimize risks for users, it is crucial to implement robust privacy measures, provide comprehensive user training, integrate behavior change techniques, offer professional and peer support, deliver tailored messages, incorporate behavior change theories, assess readiness for change, design stigma-reducing apps, use visual elements, and conduct user-focused research for effective opioid management in mHealth interventions. mHealth demonstrates considerable potential as a tool for addressing opioid use disorder and preventing overdose-related deaths, given the high acceptability and perceived benefits reported by users.
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 | 0,018 | 0,084 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,007 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».