mHealth Apps for Family Caregivers of Stroke Patients: A Systematic Review
Notice bibliographique
Résumé
Background: Family caregivers of stroke patients play a critical role in post-stroke recovery, yet they often face significant challenges, including physical and emotional stress, lack of knowledge, and limited access to resources. Mobile health (mHealth) apps offer a promising solution to support caregivers by providing education, task management, and mental health resources. However, gaps remain in understanding the effectiveness, functionalities, and limitations of these apps. This study aimed to 1) identify and categorize existing mHealth apps for family caregivers of stroke patients, 2) evaluate the effectiveness of these apps in supporting caregivers, and 3) analyze the gaps in current mHealth offerings to inform future app development. Methods: A systematic literature review was conducted, analyzing 30 studies published between 2014 and 2024 from databases such as IEEE Xplore, Scopus, Web of Science, and PubMed. The studies were evaluated based on app functionality and effectiveness in caregiver support, and limitations were identified. Results: The findings revealed a diverse range of mHealth apps offering functionalities such as caregiver education, rehabilitation guidance, task management, communication tools, and health monitoring. However, notable gaps were identified, including limited multi-functionality, insufficient support for caregiver well-being, a lack of customization for diverse needs, and minimal validation through rigorous trials. Conclusion: While mHealth apps provide valuable tools for family caregivers of stroke patients, addressing the identified gaps is essential to maximize their impact. Future Development should focus on creating comprehensive, user-centered, and evidence-based apps that integrate education, mental health support, and task management.
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 | 0,005 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,008 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».