Impact of mHealth and eHealth on oral health literacy: A systematic review
Notice bibliographique
Résumé
Background: Enhancing oral health-related quality of life requires oral health knowledge. Mobile healthcare increases assistance and healthcare through mobile devices and wireless technologies. Using information and technology, eHealth enhances healthcare services by enabling digital administration and improving data interchange and coordination among providers, but its influence on oral health knowledge and practice is unclear. Therefore, the present article will examine how mHealth and eHealth could improve oral health knowledge and practices. Methods: Original research on the function of mHealth and eHealth in enhancing oral health literacy was identified through searches of PubMed, Cumulative Index to Nursing and Allied Health Literature, ScienceDirect, IEEE Xplore, Dimensions, and the Cochrane Library. The potential articles were selected based on modified Patient/Problem, Intervention, Comparison, Outcome, Study criteria. The risk of bias in suitable studies was evaluated using the risk of bias visualization tool (Robvis 2.0) and the risk of bias in non-randomized studies with intervention. Results: The database search generated 2197 entries, of which 13 publications were used in this analysis. Narrative synthesis revealed that mHealth and eHealth interventions consistently improved oral health knowledge and practices across diverse populations, including caregivers, elderly adults, and dental students. Short message service (SMS)-based interventions enhanced mothers' knowledge and practices related to children's oral health, while virtual reality technologies improved learning outcomes for dental professionals and students compared to traditional methods. However, improvements in knowledge did not consistently translate to sustained behavior changes, with variations in practice outcomes across studies due to differences in measurement tools and intervention designs. These findings suggest that while digital interventions enhance knowledge, their impact on long-term behavior requires further exploration. Conclusion: Mobile apps, SMS-based therapies, and virtual reality applications greatly improved oral health knowledge, habits, and literacy scores across different age groups.
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,014 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».