Selection of Behavior Change Techniques for Asthma Medication Adherence Apps: Evidence-Based Design Study
Notice bibliographique
Résumé
Background: Poor medication adherence is a widespread issue that causes adverse patient outcomes and is expensive for all aspects of the health care system. Developing cost-effective and scalable interventions to promote medication adherence is a key goal. Mobile apps hold promise as a mode of delivery for adherence interventions, but app design rarely takes into account the behavioral influences on nonadherence with sufficient rigor. As a result, apps may not realize their full potential in enhancing adherence. Medication nonadherence is common among adults prescribed preventer inhalers for asthma and has a variety of influences, creating a need to identify what components behavior change technique (BCT) apps should include to effectively tackle each influence. Objective: This study aimed to identify the most acceptable and practicable BCTs to include in a medication adherence app targeting factors that influence preventer inhaler adherence in adults with asthma. Methods: Key influences on preventer inhaler adherence in adults with asthma were identified based on reviews of peer-reviewed and gray literature and domain expert knowledge. These influences were then mapped to a published set of 26 mechanisms of action (MoAs) of behavior change interventions. Next, candidate BCTs to change each MoA were identified using the Theory and Techniques tool, a web-based resource that reflects almost 100 expert behavioral scientists' consensus about which BCTs are most likely to change particular MoAs. Finally, candidate BCTs were filtered by considering their potential acceptability and practicability. Results: A total of 31 influences on preventer inhaler adherence were identified and coded to 15/26 of the influences on behavior listed by the Theory and Techniques tool. The initial mapping of influences on behavior to candidate BCTs to change those influences identified 41 candidate BCTs. After considering the potential acceptability and practicability of the candidate BCTs, the number of BCTs suggested for inclusion was reduced to 24. Conclusions: Using an evidence-based approach, this study identified 24 BCTs that may be particularly useful to include in apps promoting adherence to preventer inhalers in order to target particular influences on adherence. The list can be used by app developers to improve the quality of adherence behavior change support that their apps provide or by health care decision-makers to identify which apps contain elements addressing a range of adherence difficulties.
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 | 0,104 | 0,135 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,004 | 0,008 |
| Bibliométrie | 0,005 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 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 ».