The Development of Heart Failure Electronic-Message Driven Tips to Support Self-Management: Co-Design Case Study
Notice bibliographique
Résumé
BACKGROUND: Heart failure (HF) is a complex syndrome associated with high morbidity and mortality and increased healthcare utilisation. Patient education is key to improving health outcomes, achieved by promoting self-management to optimise medical management. Newer digital tools like text messaging and smartphone applications provide novel patient education approaches. OBJECTIVE: To partner with clinicians and people with lived experience of HF to identify the priority educational topic areas to inform the development and delivery of a bank of electronic-message driven tips ('e-TIPS') to support HF self-management. METHODS: We conducted three focus groups with cardiovascular clinicians, people with lived experience of HF and their caregivers, which consisted of two stages: Stage 1 - an exploratory qualitative study to identify the unmet educational needs of people living with HF (previously reported) and Stage 2 - a co-design feedback session to identify educational topic areas and inform the delivery of e-TIPS. This paper reports the findings of the co-design feedback session. RESULTS: We identified five key considerations in delivering e-TIPS and five relevant HF educational topics for their content. Key considerations in e-TIP delivery included: (i) Timing of the e-TIPS; (ii) Clear and concise e-TIPS; (iii) Embedding a feedback mechanism; (iv) Distinguishing actionable and non-actionable e-TIPS; and (v) Frequency of e-TIP delivery. Relevant educational topic areas included: (i) cardiovascular risk reduction; (ii) Self-management; (iii) Food and nutrition; (iv) Sleep hygiene; and (v) Mental health. CONCLUSIONS: The findings from this co-design case study have provided a foundation for developing a bank of e-TIPS. These will now be evaluated for usability in the BANDAIDS e-TIPS, a single group, quasi-experimental study of a 24-week e-TIP program (personalised educational messages) delivered via Short Message Service (ACTRN12623000644662).
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 | 0,033 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».