356 Usability, acceptability, and future opportunities of mobile health (mHealth) apps for caregiver health decision making: A scoping review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Objectives/Goals: This study aims to evaluate common features of mobile health (mHealth) apps and their role in helping caregivers make health decisions for children. Methods/Study Population: A scoping review of literature on caregivers’ use of mHealth apps (published since 2008) was conducted across 5 databases (i.e., Embase, PubMed, CINAHL, Clinicaltrials.gov, and IEEE Xplore). Selected papers were categorized based on app purposes, target users, and mHealth agile development phases. Common features were also identified and analyzed along with users’ pros and cons. Further, primary feature requests were summarized to inform future development. Results/Anticipated Results: This review included 62 studies. Most apps were about maternity and infant care and specific diseases. Major users were caregivers and pregnant women. Around 20% of papers covered multiple phases in the mHealth agile development lifecycle. The effectiveness/clinical trial (phase III) was the most common. E-learning, personalization and customization, and health tracking features were the three most common features of mHealth apps included in this review. More positive feedback was found regarding features than concerns. Caregivers perceived apps as helpful and empowered them to make informed decisions. Concerns were mainly over 1) technical issues, 2) inappropriate design, and 3) ambiguous terms. Requested new features included content comprehensiveness, user engagement, and usage flexibility. Discussion/Significance of Impact: To our knowledge, this is the first review to investigate the usability of mHealth app features in this area. The results offer feasible strategies for developers to improve the effectiveness of apps for caregiver decision-making.
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.
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 | 0,027 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 découle