Supporting Dementia Caregiving With a Mobile Care Ecosystem: Development and Mixed Methods Study
Notice bibliographique
Résumé
Background: Dementia presents substantial challenges for informal caregivers. A gap remains in technology-driven personalized support tailored to caregivers' needs. Objective: This study aimed to develop a theory-driven, multicomponent mobile app specifically designed for caregivers of individuals with dementia and test its usability among end users. Methods: We developed CareBuddy, a mobile care ecosystem based on the stress process model and user-centered design. The app includes personalized assessments and tailored solutions, an artificial intelligence-driven chatbot, GPS-based location monitoring, peer support, a helpline, telemedicine, health care provider integration, and caregiver self-care resources. Development was informed by interviews with caregivers and stakeholders, followed by a 2-phase pilot test involving 18 and 10 participants, respectively, to assess usability and acceptability. Results: In phase 1, the mean system usability scores increased from 65.4 (SD 11.8) in round 1 to 73.8 (SD 15.9) in round 3, exceeding the benchmark of 68. In phase 2, caregivers rated the app highly, with an overall mean score of 95.4 (SD 8.5) on the Mobile Health App Usability Questionnaire. The domains of ease of use (mean 24.1, SD 2.9), user interface and satisfaction (mean 40.3, SD 3.4), and usefulness (mean 31, SD 3.9) received high Mobile Health App Usability Questionnaire ratings. Participants valued the content focused on dementia management and caregiver well-being. Caregivers appreciated the interactive features: social networking portal, service directory, and conversational large language model. Feedback highlighted areas for improvement, including reducing textual overload and addressing navigational challenges. Conclusions: CareBuddy offers a multifaceted digital solution for dementia caregivers, with high usability and satisfaction. An ongoing trial is evaluating the app's effectiveness in improving caregiver outcomes.
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 | 0,021 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».