Development of a Digital Patient Assistant for the Management of Cyclic Vomiting Syndrome: Patient-Centric Design Study
Notice bibliographique
Résumé
BACKGROUND: Cyclic vomiting syndrome (CVS) is an enigmatic and debilitating disorder of gut-brain interaction that is characterized by recurrent episodes of severe vomiting and nausea. It significantly impairs patients' quality of life and can lead to frequent medical visits and substantial health care costs. The diagnosis for CVS is often protracted and complex, primarily due to its exclusionary diagnosis nature and the lack of specific biomarkers. This typically leads to a considerable delay in accurate diagnosis, contributing to increased patient morbidity. Additionally, the absence of approved therapies for CVS worsens patient hardship and reflects the urgent need for innovative, patient-centric solutions to improve CVS management. OBJECTIVE: We aim to develop a digital patient assistant (DPA) for patients with CVS to address their unique needs, and iteratively enhance the technical features and user experience on the initial DPA versions. METHODS: The development of the DPA for CVS used a design thinking approach, prioritizing user needs. A literature review and Patient Advisory Board shaped the initial prototype, focusing on diagnostic support and symptom tracking. Iterative development, informed by the design thinking approach and feedback from patients with CVS and caregivers through interviews and smartphone testing, led to significant enhancements in user interaction and artificial intelligence integration. The final DPA's effectiveness was validated using the System Usability Scale and feedback questions, ensuring it met the specific needs of the CVS community. RESULTS: The DPA developed for CVS integrates an introductory bot, daily and weekly check-in bots, and a knowledge hub, all accessible via a patient dashboard. This multicomponent solution effectively addresses key unmet needs in CVS management: efficient symptom and impacts tracking, access to comprehensive disease information, and a digital health platform for disease management. Significant improvements, based on user feedback, include the implementation of artificial intelligence features like intent recognition and data syncing, enhancing the bot interaction and reducing the burden on patients. The inclusion of the knowledge hub provides educational resources, contributing to better disease understanding and management. The DPA achieved a System Usability Scale score of 80 out of 100, indicating high ease of use and relevance. Patient feedback highlighted the DPA's potential in disease management and suggested further applications, such as integration into health care provider recommendations for patients with suspected or confirmed CVS. This positive response underscores the DPA's role in enhancing patient engagement and disease management through a patient-centered digital solution. CONCLUSIONS: The development of this DPA for patients with CVS, via an iterative design thinking approach, offers a patient-centric solution for disease management. The DPA development framework may also serve to guide future patient digital support and research scenarios.
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 | 0,017 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».