A mobile app intervention to support nutrition education for heart failure management: co-design, development and user-testing
Notice bibliographique
Résumé
BACKGROUND: Mobile apps show promise in supporting patients with heart failure (HF) in adhering to dietary guidelines for sodium and fluid. Though numerous apps to support HF management exist, only a few have dedicated features to support dietary adherence. OBJECTIVES: , a mobile app intervention to engage patients with HF in dietary education and adherence. METHODS: Background research in app development, behaviour change, nutrition and qualitative interviews with patients and healthcare providers informed app content and design. Weekly team meetings were held to establish learning objectives, content, and features of the app until a prototype was developed and approved by the research team. Using a quasi-experimental mixed-methods design, patients with HF (≥ 18 years) evaluated the prototype via one-on-one online user-testing sessions. App engagement, satisfaction, and usability were measured using a 12-question patient-reported Likert-scale questionnaire. Participant feedback on app content and features was gathered using qualitative interviews. RESULTS: Six educational modules (dietary sodium recommendations, contributors of sodium in the diet, nutrition labelling, lowering dietary sodium, fluid restriction and goal setting), ten behaviour change techniques (e.g., feedback on behaviour, social support) and gamified components (i.e., avatar, point-system) were integrated into the app. Participants with HF (n = 10, 56±15 years, 80% women) enjoyed using the app (90%), strongly agreed that the information was meaningful and useful for their general health (80%) and was easy to use (70%). CONCLUSION: to support patients with dietary education and adherence for HF management.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».