Symptom Management Preference and Persona Development for Mobile Health Design Targeting Chinese Older Adult Patients With Breast Cancer: Descriptive Qualitative Study
Notice bibliographique
Résumé
Background: Mobile health (mHealth) for breast cancer care can greatly benefit patients' symptom management. Although research supports the effectiveness of mHealth, older adult patients with breast cancer often face difficulties using it, hindering them from accessing effective symptom management possibilities. Understanding the preference for mHealth among this population is crucial for providing insights into effective mHealth design. Objective: This study aimed to better understand the symptom management preference using mHealth for Chinese older adult patients with breast cancer and use the approach of personas to inform the mHealth design. Methods: This was a descriptive qualitative study. In total, 17 patients with breast cancer aged 60 years and older were recruited from tertiary hospitals in Shanghai, China, using purposive sampling. Data were collected through one-on-one interviews. Content analysis was used to identify the factors that influence participants' symptom management preference using mHealth. The categories of influencing factors of preference informed the persona template and guided the development of the persona. Results: We identified 3 major categories affecting participants' preference for mHealth, including social interaction patterns, mHealth literacy, and symptoms. The following five personas were developed: (1) Positive Manager, (2) Dependent Parent, (3) Management Isolationist, (4) Image Manager, and (5) Clinician Dependent. We provide insights into how these personas can be used when designing and implementing mHealth for symptom management support. Conclusions: Key factors influencing symptom management preference using mHealth among Chinese older adult patients with breast cancer and personas developed based on that can foster a better understanding of this population and initiate future mHealth design and implementation.
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 | 0,008 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| 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 ».