NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
BackgroundFalls multipl skleroz (MS) olan kişilerde yaygındır, yaralanmalara, düşme korkusuna ve bağımsızlık kaybına neden olur. Hedeflenen müdahaleler (fiziksel terapi) yardımcı olsa da, hastalar ve klinisyenler bu konuyu yetersiz olarak ele almaktadır. Hasta tarafından oluşturulan veriler, klinik verilerle birleştirildiğinde, düşme tahminini destekleyebilir ve zamanında müdahaleye (özel fizik tedaviye sevk dahil) yol açabilir. Harekete geçirilebilir olmak için, bu tür veriler, hastanın özel bağlamına göre özelleştirilmiş bir dikkatle klinisyenlere verimli bir şekilde teslim edilmelidir.ObjectiveBu çalışma, Multiple Sklerosis Falls InsightTrack (MS-FIT) tasarımının yineleyici sürecini tanımlamayı ve bu kapalı döngü tasarımının klinik ve teknolojik özelliklerini tanımlamayı amaçlamaktadır. Hasta ve klinisyen mülakatları, Davranış Değiştirme Çarkı'na daha sonra haritalamayı kolaylaştırmak için yetenek engelleyiciler ve güçlendiriciler (COM-B) çerçevesini kullanarak içgörü sağlamak için tasarlanmıştır. Genellenebilirliği desteklemek için, düşmelerle ilişkili diğer klinik koşullardan (geriatrik, ortopedi ve Parkinson hastalığı) hastalar ve uzmanlar da meşgul edildi. Tasarımlar her bir geri bildirim turuna göre tekrarlandı ve rutin klinik ziyaretler sırasında son mock-up'lar test edildi.ResultsA 30 hasta ve 14 klinisyenden oluşan bir örnek, en az 1 tur geri bildirim sağladı. Düşme raporlamasını desteklemek için, hastalar isteğe bağlı ek bağlamla (düşmenin şiddeti ve yeri) kendi cihaz erişilebilirliğini getirmek için REDCap (Research Electronic Data Capture; Vanderbilt University) kullanılarak inşa edilen basit bir iki haftalık anketi tercih ettiler. Klinisyenler, düşmelerin değerlendirilmesini ve önlenmesini desteklemek için, birkaç önemli görselleştirme widget'ı içeren bir klinik gösterge tablosunu tercih ettiler: veri yakalama, ciddiyet ve bağlam zamanına göre kodlanmış uzunlamasına bir düşme ekranı; düşmeleri değerlendirme ve önleme amaçlı eylemlerin kapsamlı, çok disiplinli ve kanıta dayalı bir kontrol listesi; ve MS, bir hastanın topluluğuna yerel kaynaklar. İn-basket mesajlaşma ciddi düşme klinisyenleri uyarır. Araç, kullanılabilirlik, sevilebilirlik, kullanışlılık ve algılanan etkinlik (Sağlık Bilişimi Kullanılabilirlik Değerlendirme Modeli puanlamaya dayanarak) için yüksek puan aldı.ConclusionsBildiğimiz kadarıyla, bu, davranış değişimine öncelik vermek ve evde hastalara erişilebilirken, klinisyenlere bakım noktasında eyleme geçirilebilir veriler sunmak için insan merkezli tasarım kullanılarak tasarlanan ilk düşme uygulamasıdır. MS-FIT, 5 hak yaklaşımıyla uyumlu olarak, elektronik sağlık kaydı gömülü bir pencere aracılığıyla klinisyenlere veri iletimini kolaylaştırır. Veri işleme ve algoritmalar için MS-FIT'den yararlanmak, bakım kalitesini artırırken klinisyen yükünü en aza indirir. İnovasyonumuz, gerçek dünyadaki hasta tarafından oluşturulan verilerin yanı sıra klinik ve toplum düzeyindeki faktörleri sorunsuz bir şekilde entegre eder, öz bakımı güçlendirir ve MS'li kişilerde düşmelerin etkisini giderir. Ön bulgular, düşmeler ve sonuçlarıyla ilişkili diğer nörolojik koşullara kadar uzanan daha geniş bir alaka olduğunu göstermektedir.
Özgün kaynak özetini okuyun
BackgroundFalls are common in people with multiple sclerosis (MS), causing injuries, fear of falling, and loss of independence. Although targeted interventions (physical therapy) can help, patients underreport and clinicians undertreat this issue. Patient-generated data, combined with clinical data, can support the prediction of falls and lead to timely intervention (including referral to specialized physical therapy). To be actionable, such data must be efficiently delivered to clinicians, with care customized to the patient's specific context.ObjectiveThis study aims to describe the iterative process of the design and development of Multiple Sclerosis Falls InsightTrack (MS-FIT), identifying the clinical and technological features of this closed-loop app designed to support streamlined falls reporting, timely falls evaluation, and comprehensive and sustained falls prevention efforts.MethodsStakeholders were engaged in a double diamond process of human-centered design to ensure that technological features aligned with users' needs. Patient and clinician interviews were designed to elicit insight around ability blockers and boosters using the capability, opportunity, motivation, and behavior (COM-B) framework to facilitate subsequent mapping to the Behavior Change Wheel. To support generalizability, patients and experts from other clinical conditions associated with falls (geriatrics, orthopedics, and Parkinson disease) were also engaged. Designs were iterated based on each round of feedback, and final mock-ups were tested during routine clinical visits.ResultsA sample of 30 patients and 14 clinicians provided at least 1 round of feedback. To support falls reporting, patients favored a simple biweekly survey built using REDCap (Research Electronic Data Capture; Vanderbilt University) to support bring-your-own-device accessibility-with optional additional context (the severity and location of falls). To support the evaluation and prevention of falls, clinicians favored a clinical dashboard featuring several key visualization widgets: a longitudinal falls display coded by the time of data capture, severity, and context; a comprehensive, multidisciplinary, and evidence-based checklist of actions intended to evaluate and prevent falls; and MS resources local to a patient's community. In-basket messaging alerts clinicians of severe falls. The tool scored highly for usability, likability, usefulness, and perceived effectiveness (based on the Health IT Usability Evaluation Model scoring).ConclusionsTo our knowledge, this is the first falls app designed using human-centered design to prioritize behavior change and, while being accessible at home for patients, to deliver actionable data to clinicians at the point of care. MS-FIT streamlines data delivery to clinicians via an electronic health record-embedded window, aligning with the 5 rights approach. Leveraging MS-FIT for data processing and algorithms minimizes clinician load while boosting care quality. Our innovation seamlessly integrates real-world patient-generated data as well as clinical and community-level factors, empowering self-care and addressing the impact of falls in people with MS. Preliminary findings indicate wider relevance, extending to other neurological conditions associated with falls and their consequences.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.