What to Consider When Developing Multidomain Mobile Health Interventions for Lifestyle Management
Notice bibliographique
Résumé
Unlabelled: Mobile health (mHealth) interventions can transform health care delivery and improve public health. At the same time, the evidence on lifestyle interventions continues to grow. They show promising results in preventing and treating noncommunicable diseases and enhancing health-related quality of life. These factors highlight the potential of multidomain mHealth interventions for lifestyle management. This viewpoint paper focuses on drawing valuable lessons from past experiences and providing guidance to developers of mHealth interventions for lifestyle management. We underscore the critical role of sharing practical insights to advance innovation in the field of mHealth interventions. We used an iterative consensus process to derive lessons learned, identify challenges, and reflect on possible actions. Our insights are based on our experience in developing 2 smartphone-based lifestyle interventions. Challenges and corresponding options in the following areas are presented: target population (preferences, personalization, and delivery), user involvement and testing, human support, and multidomain interventions (interdisciplinarity, flexibility, and core team). The development of multidomain mHealth interventions for lifestyle management requires a participatory and iterative approach involving relevant stakeholders (including end users) so that the right people get the right content at the right time. Additionally, it is crucial to consider established frameworks, guidelines, and regulations; allocate appropriate resources; and form a core team committed to the project's aims and open to working in an interdisciplinary team.
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 | 0,063 | 0,101 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,005 |
| Communication savante | 0,016 | 0,017 |
| Science ouverte | 0,004 | 0,008 |
| Intégrité de la recherche | 0,011 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,003 |
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 ».