Adherence to Usability and Accessibility Principles in Digital Health Applications for Patients With Diabetes: Systematic Review
Notice bibliographique
Résumé
BACKGROUND: Health apps have the potential to enable people with diabetes to access care more easily, monitor their condition, and reduce the number of times they need to attend health care appointments. However, the development pipeline for apps may differ widely before the apps are released for use, due to limited funding, difficulty in obtaining iterative feedback from patients/users, and varying levels of developer expertise. In response to concerns about the quality and consistency of apps being released, two guidelines were created: the Digital Technology Assessment Criteria (DTAC) and the National Institute for Health and Care Excellence (NICE) Evidence Standards Framework. These two frameworks aim to standardize the development and evaluation of digital health technologies (DHTs). They outline core requirements, such as accessibility, clinical safety, data protection, interoperability, usability, and safeguarding, which help ensure that digital health apps are accessible, safe, effective, and suitable for real-world use. OBJECTIVE: This systematic review evaluated the performance of diabetes digital health apps, as presented in published studies, in terms of adherence to DTAC 2021 and NICE 2022 guidelines during development. METHODS: We systematically searched Embase and MEDLINE and identified 43 studies that met the inclusion criteria. Each study was assessed against 13 binary scoring criteria derived from the two frameworks. RESULTS: Our findings highlighted that 93% (n=40) of the studies met fewer than 40% of the recommended criteria. Specifically, 88.4% (n=38) studies did not report accurate and reliable measurements, 86% (n=37) omitted app accuracy validation, and 83.7% (n=36) failed to address inequalities considerations. Only 3 (7%) studies achieved scores between 7 and 9 out of a possible 13, and none fully adhered to the guideline criteria. CONCLUSIONS: These results suggest a significant gap between digital health guidelines and real-world app development practices. We recommend the adoption of DTAC and NICE guidelines more widely and consistently during design and development. Additionally, we suggest that journals request that authors submit an adherence checklist alongside their manuscript to improve standardization and transparency across digital health publications. TRIAL REGISTRATION: PROSPERO CRD42022322040; https://www.crd.york.ac.uk/PROSPERO/view/CRD42022322040.
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 | 0,047 | 0,227 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,008 | 0,009 |
| Bibliométrie | 0,012 | 0,014 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,002 | 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 ».