WeChat-Based Nursing Interventions in Women’s Mobile Health: Systematic Review (Preprint)
Notice bibliographique
Résumé
Background: Mobile health (mHealth) technology offers new approaches to improve women's health by providing personalized monitoring and real-time guidance. As one of the most widely used social media platforms in China, WeChat has shown great potential in mHealth practice, yet systematic evidence on its application in women's health care remains insufficient. Objective: This study aims to systematically review WeChat-based nursing interventions in women's mHealth in order to clarify the application status, intervention modalities, target populations, and effectiveness outcomes. Methods: Searches were conducted in IEEE Xplore, Web of Science, PubMed, Scopus, ACM Digital Library, and Cochrane Central Register of Controlled Trials between January 2011 and December 2024. Two independent reviewers screened studies; extracted data on study design, intervention forms, target diseases, and outcome indicators; and assessed methodological quality. The Cohen κ coefficient was used to evaluate interreviewer agreement. Publication trends, institutional collaborations, author contributions, and research hotspots were analyzed using VOSviewer (Leiden University) and InCites (Clarivate) for bibliometric analysis. Results: A total of 31 eligible studies published from 2014 to 2024 were included. Most studies were randomized controlled trials (n=27). Intervention modalities mainly included WeChat groups (n=22), official accounts (n=18), applets (n=4), and private chats (n=9), mostly used in combination. The top focused health issues were prenatal care (n=5), breast cancer (n=5), gynecological cancer (n=5), and gestational diabetes mellitus (n=4). Six studies adopted multidisciplinary teams. Cohen κ was 0.71, indicating substantial agreement. Publications grew rapidly after 2018, peaking in 2021 and 2024. A total of 40 institutions participated, with Xi'an Jiaotong University having the highest citation impact. Most studies were at high risk of bias due to a nonblinding design. Conclusions: WeChat-based nursing interventions improve personalized health information access, self-management ability, treatment compliance, and real-time doctor-patient communication for women. This is the first systematic review to evaluate WeChat mHealth interventions in women's health, filling the research gap. Future research should focus on improving methodological quality, exploring cross-cultural adaptability, conducting long-term follow-up, and integrating wearable devices and electronic health records to further optimize WeChat-based women's health services.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».