MétaCan
Menu
Retour à la cohorte
Enregistrement W4409854820 · doi:10.2196/71597

Dolodoc, an App to Leverage Self-Management of Chronic Pain: Design, Development, and Implementation Report

2025· article· en· W4409854820 sur OpenAlexvenueno aff
Frédéric Ehrler, Julie Guebey, Jessica Rochat, Laëtitia Gosetto, Benno Rehberg, Christian Lovis, Aude Molinard‐Chenu

Notice bibliographique

RevueJMIR Medical Informatics · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueMusculoskeletal pain and rehabilitation
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPreprintLeverage (statistics)Computer scienceMobile appsPain managementMedicineWorld Wide WebPhysical therapyArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Background: Chronic pain affects approximately 19% of the European population and presents major challenges, both in terms of individual impact and the economic burden on health care systems. While clinical expertise remains essential, patient empowerment through self-management tools has become a key component in the long-term management of chronic pain. Objective: This report describes the development and implementation of Dolodoc, a mobile app designed to support patients with chronic pain in monitoring and managing their condition. Methods: Developed by a research and development team at the University Hospitals of Geneva, Dolodoc enables users to track their pain across 7 dimensions of daily life. A digital coach provides personalized guidance, drawing from a corpus of over 80 evidence-based recommendations elaborated by clinical experts. The project was conducted over 4 years with the early involvement of stakeholders, including pain specialists and end users, to ensure alignment with user needs. Emphasis was placed on both the scientific validity and accessibility of the recommendations. Results: The project was completed on time and within budget. The app was made freely available to patients identified as likely to benefit. However, a notable limitation is the absence of predefined key performance indicators to assess the impact of the intervention quantitatively. Conclusions: This implementation report illustrates how mobile technology can be leveraged in a university hospital context to address the needs of patients with chronic pain and promote self-management. Early and sustained collaboration with stakeholders was instrumental in aligning the solution with both clinical evidence and user expectations.

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)0,009
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Méthodes · Signal consensuel: aucune
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,046

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,012
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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 Opus0,015
Tête enseignante GPT0,346
Écart entre enseignants0,331 · 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'étudeSans objet
Domainenon disponible
GenreMéthodes

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

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Medical InformaticsMême sujetMusculoskeletal pain and rehabilitationTravaux en français237 207