MétaCan
Menu
← Retour à la cohorte
Enregistrement W4409085837 · doi:10.2196/51831

Cocreating a Mobile Health App Providing Physical Activity Recommendations for Older People Living With Parkinson Disease or Dementia: User-Centered Pilot Study

2025· article· en· W4409085837 sur OpenAlexvenueno aff
Ellen Bentlage, Alberto del Río, Mona Ahmed, Pilar Gangas, Michael Brach, Jorge Alfonso Kurano, José Manuel Menéndez

Notice bibliographique

RevueJMIR Formative Research · 2025
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPreprintDementiaGerontologyParkinson's diseaseMobile appsDiseaseMedicinePsychologyWorld Wide WebComputer science

Résumé

récupéré en direct d'OpenAlex

Abstract Background The project “Personalized Integrated Care Promoting Quality of Life for Older People” aimed to develop an integrated care system based on information and communication technology to support older people living with Parkinson disease or dementia disease. One module focuses on physical activity (PA) recommendations. Objective The objective of the study is to describe the development process of the PA recommendation system from the behavior-change and technical perspective, followed by its content and satisfaction evaluation. Methods This study describes the development of the PA recommendations based on the Health Action Process Approach (HAPA). A first pilot assessed the feasibility of the overall PROCare4Life system (previously reported). In a second pilot, users evaluated the content of the PA recommendations during 40 intervention days. In a third pilot, users evaluated their satisfaction with a mobile health satisfaction questionnaire. Results The PA recommendations focused on different aspects of an adapted version of the HAPA model, while they simultaneously approached 3 activation factors: skills, knowledge, and motivation. The content was generally well-received, with most users rating key sections as excellent or good, particularly “benefits and consequences of PA” (34/43, 79%) and “five golden rules of PA” (34/41, 83%). However, less than a third gave high ratings to “PA guidelines of the WHO” (9/36, 25%) and “practical tips for PA” (10/35, 29%). Regarding satisfaction, at least half of the 237 participants found it easy and good to use, with acceptable time spent and clear instructions. Compared with agreement or neutral evaluations, most disagreed with negative statements about it being time-consuming (111/237, 47%) or boring (99/237, 42%). While 41% (97/237) recommended it and 44% (104/237) felt it helped them understand lifestyle benefits, fewer agreed the recommender system helped them set personal goals (78/237, 33%) or motivated change (88/237, 37%). Users found the recommendations understandable, engaging, and practical, though some aspects, such as motivation and goal setting, received criticism. Challenges in pilot 2, particularly related to setup difficulties and limited participation, led to system modifications in pilot 3 that improved usability and data collection. Conclusions It has been confirmed that cocreating and iteratively testing the contents on HAPA and approaching the activation factors contributed to increasing the acceptance of the PA. The intervention development was based on user needs and used comparable methodology across user profiles and pilot phases. All in all, users were positive about the content. The research team has identified that digital systems, that provide monitoring functions of the mobile health app and Fitbit wristband are considered advantageous by participants in the cocreation process. Addressing the activation factors can be recommended for researchers and technical developers of other projects. Future adjustments to the design should focus on personalization to encourage the adoption of a healthier lifestyle.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,033

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,009
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,142
Tête enseignante GPT0,543
Écart entre enseignants0,400 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative Research→Même sujetMobile Health and mHealth Applications→Travaux en français237 207→