Patient and physician perspectives on the use and outcome measures of mHealth apps: Exploratory survey and focus group study
Notice bibliographique
Résumé
ObjectiveFactors that physicians and patients consider when making decisions about using or recommending health apps are not well understood. We explored these factors to better assess how to support such decision making.MethodsWe conducted an exploratory cross-sectional study in Ontario using qualitative focus groups and quantitative surveys. 133 physicians and 94 community dwelling adults completed online surveys and we held two focus groups of nine community dwelling participants who had cardiovascular risk factors and an interest in using mHealth apps. Quantitative survey data was analyzed descriptively. Focus groups were audio-recorded and transcribed verbatim prior to inductive thematic content analysis. We integrated the results from the surveys and focus groups to understand factors that influence physicians' and patients' selection and use of such apps.ResultsPhysicians recommend apps to patients but the level of evidence they prefer to use to guide selection did not align with what they were currently using. Patients trusted recommendations and reviews from medical organizations and healthcare professionals when selecting apps and were motivated to continue using apps when they supported goal setting and tracking, data sharing, decision making, and empowerment.ConclusionsThe findings highlight the significance of evaluating mHealth apps based on metrics that patients and physicians value beyond usage and clinical outcome data. Patients engage with apps that support them in confidently managing their health. Increased training and awareness of apps and creating a more rigorous evidence base showing the value of apps to supporting health goals will support greater adoption and acceptance of mHealth 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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».