Key Predictors of Adherence to a Mobile Health App for Managing Chronic Spontaneous Urticaria
Notice bibliographique
Résumé
BACKGROUND: Mobile health technologies may improve the management of chronic diseases, such as chronic spontaneous urticaria. However, effectiveness of mHealth tools largely depends on patient adherence, which can be influenced by various demographic, clinical, behavioural, psychosocial factors, and apps characteristics (appealing and simplicity of use). Understanding these adherence patterns is crucial for optimizing mHealth interventions. In this study, we aimed to assess adherence patterns associated to the use of CRUSE, a mHealth app designed for patients with CSU. METHODS: We assessed users of the CRUSE app with self-reported CSU or suggested by a physician. For each user, we evaluated the number of days they completed the CRUSE daily monitoring questionnaire (app adherence) within the first 3 months after installation. We constructed univariable and multivariable ordered beta regression models to identify predictors of 3-month adherence to the app. RESULTS: We analysed data from 2085 patients (66,114 days). Median adherence to the CRUSE app was of 22 days (24.4% of 90 days). In multivariable regression models, the variables more strongly associated with increased adherence to CRUSE included age (average increase = 0.16 percent points [pp] per additional year; 95% credible interval [CrI] = 0.08; 0.23 pp), male sex (average difference = 4.24 pp; 95% CrI = 1.77; 6.39 pp), being from a European country (average difference = 2.66 pp; 95% CrI = 0.59; 5.19 pp), and using monoclonal antibodies (average difference = 4.60 pp; 95% CrI = 2.26; 6.65 pp). CONCLUSIONS: Our findings suggest that age, male sex, residence in Europe, and the use of monoclonal antibodies are significant factors associated with increased adherence to the CRUSE app. These insights may help identify patient subgroups who would benefit most from mHealth support in managing CSU.
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 | 0,000 | 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 ».