Development of a Smartphone App for Women Living With Gestational Diabetes Mellitus: Qualitative Study
Notice bibliographique
Résumé
Background: Gestational diabetes mellitus (GDM), a type of blood glucose intolerance or hyperglycemia that occurs during pregnancy, is a common condition increasing in prevalence both globally and in Australia. Mobile health apps have been shown to be a useful resource for women with type 1 diabetes and could successfully contribute to GDM management by facilitating healthy behaviors. Objective: This study aimed to seek the perspectives of health care consumers (HCCs) and health professionals (HPs) regarding the development of a smartphone app for women living with GDM. Methods: A co-design process with 4 distinct phases underpinned the development of SugarMumma. Phase 1 involved a nonsystematic literature search followed by the creation of an app functions wish list. In phase 2, semistructured interviews with HCCs and HPs were undertaken and then thematically analyzed. In phase 3, a prototype was designed based on social cognitive theory and stakeholder recommendations. Agile project management methodology was used, followed by "user acceptance testing." During phase 4, a second round of individual interviews was undertaken with HCCs and HPs. The same qualitative methods outlined in phase 2 were used. Results: In phase 2, individual and didactic interviews were undertaken with HCCs (n=2) and HPs (n=6). Two overarching themes encompassing recommendations for app development emerged: (1) functionality and (2) individualized care. SugarMumma was created in phase 3. Phase 4 involved a second round of individual interviews with HCCs (n=1) and HPs (n=5), resulting in the final theme (3) future directions. Conclusions: With increasing numbers of people using smartphones, mobile health apps can help manage chronic conditions such as GDM. SugarMumma was designed following extensive stakeholder input. Good functionality, regular notifications, appealing visual aids, positive feedback, relevant dietary advice, and exporting information to HPs are important features to include.
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 | 0,006 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,002 | 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 ».