Use and User Experience of a Preconception Lifestyle App for Couples Undergoing in Vitro Fertilization: Mixed Methods Study
Notice bibliographique
Résumé
BACKGROUND: Mobile apps are a promising way to improve healthy lifestyle behavior among people with infertility. However, sufficient engagement with mobile health apps is crucial to influence health outcomes, and identifying features to create more effective interventions is urgently needed. OBJECTIVE: This study conducted a process evaluation focusing on the use and user experience of the PreLiFe app, a mobile lifestyle app for couples undergoing in vitro fertilization (IVF). METHODS: A mixed methods approach was used among heterosexual couples with infertility undergoing IVF. An objective quantitative study using a tracking-based system assessed the actual use of the PreLiFe app over time in relation to partner use and in relation to the specific fertility treatment. A subjective quantitative study using online questionnaires assessed the acceptability (using the Mobile App Rating Scale) and partner support (based on the Social Support for Diet and Exercise Scale) experienced while using the PreLiFe app. A subjective qualitative study using semistructured interviews evaluated in-depth user experiences with the PreLiFe app. RESULTS: A total of 106 couples used the PreLiFe app for 2 to 365 days. Overall use was low; 18.9% (20/106) of the men and 49.1% (52/106) of the women used all the modules of the PreLiFe app. Mixed-model analyses revealed that higher app use was observed when a partner used the app as well and during fertility treatment. The average acceptability score was 6 (SD 1) of 10, and patients felt supported by their partners while using the app. Semistructured interviews with 10 patients indicated that the PreLiFe app was easy to use. CONCLUSIONS: Our findings showed good acceptability and user experiences but low actual objective use of a preconception lifestyle app for couples undergoing IVF. To increase use of and engagement with such apps, future studies should further focus on personalization and interaction with partners, health care providers, and other patient data systems.
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 | 0,010 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».