Clinical effectiveness, feasibility, acceptability, and usability of mobile health applications for epilepsy: A systematic review
Notice bibliographique
Résumé
Mobile applications are widely used in epilepsy, although their impact on clinical effectiveness (CE) and their feasibility, acceptability, and usability (FAU) remain unclear. We conducted a systematic review investigating CE and FAU of epilepsy mobile applications using MEDLINE and Embase from database inception to June 21, 2024. We followed Preferred Reporting Items for Systematic Reviews and Meta-Analyses reporting standards. The protocol was registered on PROSPERO (CRD42019134848). In duplicate, we determined study quality using the Newcastle-Ottawa Quality Assessment Scale (NOQAS) and the Joanna Briggs Critical Appraisal Checklist (to determine eligibility for inclusion), risk of bias using the Cochrane Risk of Bias tool, and usability study quality using the 15-point Silva scale. We identified 8953 studies, of which 20 were included. Twelve (60.0%) addressed CE, nine (45.0%) acceptability, five (25.0%) usability, and eight (40.0%) feasibility. Five (25.0%) evaluated CE and FAU. Studies comprised prospective cohort (n = 9, 45.0%), pilot (n = 3, 15.0%), randomized controlled trial (n = 7, 35.0%), and pre/post (n = 1, 5.0%) designs. Most apps were used for self-management or to enhance education or communication between patients and providers. Cohort studies demonstrated fair quality (median NOQAS score = 5, interquartile range [IQR] = 5.0-5.8), whereas of seven randomized controlled trials, four (57.1%) had some concern for bias. Usability studies demonstrated high quality (median Silva score = 10, IQR = 10-11). Apps were predominantly intended for patient use (n = 9, 75.0%). Symptom reporting and medication management were the most common app targets in both CE and FAU studies (n = 8, 66.7%; n = 9, 69.2%), although FAU studies more frequently used monitoring or tracking (n = 10, 76.9%) and reminder setting (n = 10, 76.9%) than CE apps (n = 7, 58.3%). Investigations of application use most commonly studied CE and patient-facing apps. Additional high-quality evidence is necessary to evaluate the CE and FAU of app use in epilepsy to work toward the standardization of FAU metrics and development of implementation guidelines.
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 | 0,031 | 0,126 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,010 | 0,014 |
| Bibliométrie | 0,008 | 0,008 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 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 ».