What’s in an App? Scoping Review and Quality Assessment of Clinically Available Hearing-Aid-Connected Apps
Notice bibliographique
Résumé
Background/Objectives: Mobile health (mHealth) tools, such as smartphone apps, support person-centred care for persons with hearing loss engaging in the hearing aid management process. Hearing-aid-connected apps are increasingly common in audiological care, making it important to evaluate their availability and quality for clinicians, developers, and end-users. This scoping review aimed to identify, summarize, and synthesize information on clinically available hearing-aid-connected apps and evaluate their quality. Methods: A search of the Apple App Store (Canada) was conducted in August 2024 to identify current hearing-aid-connected apps that support hearing aid management. Metadata and features were extracted, and app quality was assessed using the Mobile Application Rating Scale (MARS). Quality was assessed across four objective domains (engagement, functionality, aesthetics, and information) and one subjective domain. Results: Apps had varying levels of metadata detail, including updates, compatibility, and target populations. All apps included common hearing aid controls (e.g., volume adjustment, microphone directionality), while more specialized features (tinnitus management, health tracking, remote clinician support) varied. High-performing apps scored significantly higher in engagement, functionality, aesthetics, and subjective quality, and all apps scored low in information quality, particularly for evidence and credibility. Conclusions: Findings highlight the need for transparent and informative metadata reporting and patient-centred design to improve clinical awareness, usability, and uptake of hearing-aid-connected apps.
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 | 0,025 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».