APP ENGAGEMENT IN TECHNOLOGY-SUPPORTED SPEECH-LANGUAGE THERAPY FOR PRIMARY PROGRESSIVE APHASIA
Notice bibliographique
Résumé
Abstract As the global population ages, dementia prevalence is increasing. Primary Progressive Aphasia (PPA) is a clinical dementia syndrome characterized by progressive language decline. Access to care for individuals living with PPA is limited by a shortage of qualified clinicians and evidence-based interventions. While technology-supported interventions have the potential to overcome this barrier, there has been no systematic exploration of factors affecting web application use in this population. This study aimed to evaluate feasibility and acceptability and identify clinical and demographic factors affecting app usage in individuals with PPA. Web application data were analyzed from participants (N=95) of Communication Bridge-2, an NIH stage 2 randomized controlled trial of speech-language therapy for PPA (NCT03371706). Participants were encouraged to complete app-based practice exercises five days per week over the 12-month intervention. Data-driven user-type clustering determined engagement groups based on number of logins. Multinomial logistic regression identified demographic and clinical factors that differed between groups. On average, participants completed 13.7 (SD = 5.95) home practice exercises 3.99 days per week (SD = 1.19) and logged into the app 5.88 times per week (SD = 1.29). Older age and increased education significantly predicted increased app engagement (p <.05), even when accounting for work status; other clinical and demographic factors were nonsignificant. All participants logged into and completed practices exercises on the app at least weekly, demonstrating high feasibility and acceptability. These findings suggest that technology-supported interventions may be a valuable tool to improve access to evidence-based care to individuals with PPA and related conditions.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».