Perception and Evaluation of a Knowledge Transfer Concept in a Digital Health Application for Patients With Heart Failure: Mixed Methods Study
Notice bibliographique
Résumé
Background: Digital health education can enhance the quality of life of patients with heart failure by providing accessible and tailored information, which is essential for effective self-care and self-management. Objective: This work aims to develop a mobile health knowledge transfer concept for heart failure in a user-centered design process grounded in theoretical frameworks. This approach centers on enhancing the usability, patient engagement, and meaningfulness of mobile health education in the context of heart failure. Methods: A user-centered design process was employed. First, semistructured stakeholder interviews were conducted with patients (n=9) and medical experts (n=5). The results were used to develop a health knowledge transfer concept for a mobile health app for heart failure. This concept was implemented as a digital prototype based on an existing German mobile health app for patients with heart failure. We used this prototype to evaluate our concept with patients with heart failure in a study composed of user testing and semistructured patient interviews (n=7). Results: Stakeholder interviews identified five themes relevant to mobile health education: individualization, content relevance, media diversity, motivation strategies, and trust-building mechanisms. The evaluation of our prototype showed that patients value the adaptation of content to individual interests and prior knowledge. Digital rewards such as badges and push notifications can increase motivation and engagement but should be used with care to avoid overload, irrelevance, and repetition. Conclusions: Our findings emphasize the importance of tailoring mobile health education to the specific needs and preferences of patients with heart failure. At the same time, they also highlight the careful implementation of motivation strategies to promote user engagement effectively. These implications offer guidance for developing more impactful interventions to improve health outcomes for this population.
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 | 0,034 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».