Exploring Feature Preferences for a Treatment-Accompanying App in Patients Undergoing Radiation Therapy: Cross-Sectional Study
Notice bibliographique
Résumé
Background: Mobile health (mHealth) apps are playing an increasingly important role in health care, including in radiotherapy. However, adherence remains low. One way to increase adherence is to tailor app features to the patients' preferences. Objective: This study aimed to explore the importance of patient preferences regarding the features of a therapy-supporting app in radiotherapy. In addition, we examined factors associated with the perceived importance of these features. Methods: A cross-sectional questionnaire study was conducted with patients undergoing radiotherapy between summer 2021 and winter 2022. The subjective importance of 18 features of a treatment-accompanying app was explored using a 5-point Likert scale from 1=not so important to 5=extremely important. Descriptive analyses were used to show the rated importance of app functions. Associations with possible predictors were examined using multiple hierarchical regressions, with age (interval-scaled), gender (dichotomous), previous experience with mHealth apps (dichotomous), education (3-level nominal), and supportive care needs (interval-scaled) as predictors. Results: A total of 84 radiotherapy patients participated. The average age was 62 (SD 12.5) years. The feature with the highest importance was security against hacking (46/77, 60% extremely important). Explained variances in the regression analyses ranged between R2=0.25 (The app should give me tips on suitable sporting activities that are possible with my illness) and R2=-.07 (The app should provide me with information about suitable self-help offers). Previous mHealth usage predicted the importance of 6 features, such as managing appointments (β=.275; P<.05). Decreasing age was related to 6 features, for example, showing test results and laboratory values (β=-.358; P<.05). Other predictors were an increasing age and greater supportive care needs. Conclusions: Patients undergoing radiotherapy rated app features as having varying levels of importance. The findings may help to tailor mHealth apps in radiotherapy, potentially improving adherence to app usage.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».