MétaCan
Menu
Retour à la cohorte
Enregistrement W4405695590 · doi:10.1038/s41746-024-01385-1

An umbrella review on how digital health intervention co-design is conducted and described

2024· article· en· W4405695590 sur OpenAlexafffund
Alicia Kilfoy, Ting‐Chen Chloe Hsu, Charlotte Stockton-Powdrell, Pauline Whelan, Charlene H. Chu, Lindsay Jibb

Notice bibliographique

Revuenpj Digital Medicine · 2024
Typearticle
Langueen
DomainePsychology
ThématiqueDigital Mental Health Interventions
Établissements canadiensUniversity Health NetworkInstitute for Clinical Evaluative SciencesSickKids FoundationHospital for Sick ChildrenUniversity of Toronto
Organismes subventionnairesUniversity of Toronto
Mots-clésIntervention (counseling)Psychological interventionDigital healthResearch designHealth professionalsCo-designQuality (philosophy)MedicineHealth carePsychologyMedical educationNursingComputer sciencePolitical science

Résumé

récupéré en direct d'OpenAlex

Co-design has been suggested to improve intervention effectiveness and sustainability. However, digital health intervention co-design is inconsistently reported. This umbrella review aims to synthesize what is known about co-design of digital health interventions. We searched five databases from inception. Reviews which reported on co-design methodologies used in digital health were eligible. Information on review type, health conditions, and reported specifics of co-design were extracted and synthesized. Methodological quality was assessed using the AMSTAR2 tool. We included 21 reviews published between 2015 and 2023. Co-design participants included patients, caregivers and healthcare professionals. The frequency and breadth of participant involvement in co-design activities were reported in less than half of reviews. Participants evaluated intervention co-design as a positive process. All reviews were rated as critically low quality. This umbrella review highlights the inconsistent reporting of co-design in digital health. Here, we emphasize the importance of creating guidelines to direct co-design activities.

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)0,001
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: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,904
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,142
Tête enseignante GPT0,464
Écart entre enseignants0,321 · 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'étudeSans objet
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

Citations62
Publié2024
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revuenpj Digital MedicineMême sujetDigital Mental Health InterventionsTravaux en français237 207