MétaCan
Menu
Retour à la cohorte
Enregistrement W4402540310 · doi:10.2196/63393

A Culturally Sensitive Mobile App (DiaFriend) to Improve Self-Care in Patients With Type 2 Diabetes: Development Study

2024· article· en· W4402540310 sur OpenAlexvenueno aff
Peeranuch LeSeure, Elizabeth Chin, Shelley Zhang

Notice bibliographique

RevueJMIR Diabetes · 2024
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPreprintType 2 diabetesPsychologyMedicineDiabetes mellitusComputer scienceWorld Wide WebEndocrinology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Mobile apps designed with cultural sensitivity have demonstrated higher user acceptability and greater effectiveness in enhancing self-care skills. However, a significant gap exists in developing such apps for specific populations, such as Portuguese Americans living in southern Massachusetts, home to the second-largest Portuguese community in the United States. This group possesses unique cultural traditions, particularly in dietary practices, including a tendency toward high carbohydrate intake. Tailoring diabetes self-care apps to address these specific cultural requirements could substantially improve diabetes management within this population. OBJECTIVE: The aim of this app development project was to develop a prototype diabetes management app for Portuguese Americans with type 2 diabetes mellitus using the design thinking methodology, incorporating user-centered design principles and cultural sensitivity. This paper describes the phase-2 results, focusing on app design and development. METHODS: Phase 2 of this app development project adhered to the design thinking methodology delineated by the Hasso Plattner Institute of Design at Stanford University, focusing on 2 critical steps: ideation and prototyping. This phase started in March 2022 and continued until April 2024. The project was driven by a multidisciplinary team consisting of 2 nurse educators; an app development specialist; and 2 graduate research assistants from the university's Computer and Information Sciences Department, both well-versed in mobile app development. Data collected during phase 1, which will be published separately, informed the app design and development process. RESULTS: The prototype of the DiaFriend app (version 1) was designed and developed. The app comprises five features: (1) blood glucose monitoring, (2) weight tracking, (3) carbohydrate tracking, (4) exercise log, and (5) medication reminder. The carbohydrate tracking feature was explicitly tailored to correspond to Portuguese food culture. This paper presents the front-end interface flowchart, demonstrating how the user navigates through each screen. It also discusses the challenges faced during the backend development, such as data not being able to be stored and retrieved. CONCLUSIONS: The DiaFriend app (version 1) distinguishes itself from conventional diabetes self-care apps through its emphasis on cultural sensitivity. The development of this app underscores the importance of cultural considerations in health informatics. It establishes a foundation for future research in developing and evaluating culturally sensitive mobile health apps. The adaptation of such technologies has the potential to enhance self-care practices among Portuguese Americans with type 2 diabetes mellitus, with improved glycated hemoglobin levels as a potential outcome. The last step of the design thinking methodology, testing the app, will be conducted in phase 3 and the results will be published elsewhere.

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 distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesMéta-épidémiologie (sens strict), Charge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,218
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,009
Tête enseignante GPT0,341
Écart entre enseignants0,332 · 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 tête enseignante, pas un consensus.

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

Citations11
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR DiabetesMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207