論文の概要: StudyMe: A New Mobile App for User-Centric N-of-1 Trials
- arxiv url: http://arxiv.org/abs/2108.00320v1
- Date: Sat, 31 Jul 2021 20:43:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-03 15:10:00.702312
- Title: StudyMe: A New Mobile App for User-Centric N-of-1 Trials
- Title（参考訳）: StudyMe: ユーザー中心のN-of-1トライアルのための新しいモバイルアプリ
- Authors: Alexander M. Zenner, Erwin B\"ottinger, Stefan Konigorski
- Abstract要約: N-of-1臨床試験は、個人が個人の健康目標に対する介入の効果を体系的に評価できる多種多様な自己実験である。
StudyMeはオープンソースのモバイルアプリで、https://play.google.com/store/apps/details?id=health.studyu.me.comから無料で利用できる。
- 参考スコア（独自算出の注目度）: 68.8204255655161
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: N-of-1 trials are multi-crossover self-experiments that allow individuals to
systematically evaluate the effect of interventions on their personal health
goals. Although several tools for N-of-1 trials exist, none support non-experts
in conducting their own user-centric trials. In this study we present StudyMe,
an open-source mobile application that is freely available from
https://play.google.com/store/apps/details?id=health.studyu.me and offers users
flexibility and guidance in configuring every component of their trials. We
also present research that informed the development of StudyMe. Through an
initial survey with 272 participants, we learned that individuals are
interested in a variety of personal health aspects and have unique ideas on how
to improve them. In an iterative, user-centered development process with
intermediate user tests we developed StudyMe that also features an educational
part to communicate N-of-1 trial concepts. A final empirical evaluation of
StudyMe showed that all participants were able to create their own trials
successfully using StudyMe and the app achieved a very good usability rating.
Our findings suggest that StudyMe provides a significant step towards enabling
individuals to apply a systematic science-oriented approach to personalize
health-related interventions and behavior modifications in their everyday
lives.
- Abstract（参考訳）: N-of-1臨床試験は、個人が個人の健康目標に対する介入の効果を体系的に評価できる多種多様な自己実験である。
N-of-1試験のためのいくつかのツールが存在するが、ユーザー中心の試験を行う非専門家はサポートしていない。
本研究では,https://play.google.com/store/apps/details?id=health.studyu.meから無償で利用可能なオープンソースのモバイルアプリケーションであるstudymeを提案する。
また,studymeの開発を知らせる研究も紹介する。
272人の参加者を対象に行った調査で、個人は様々な個人の健康面に興味を持ち、その改善方法に関するユニークな考えを持っていることがわかった。
中間ユーザテストを用いた反復型ユーザ中心開発プロセスでは,n-of-1試行概念を伝えるための教育的部分も備えたstudiomeを開発した。
studymeの最終的な実証評価では、すべての参加者がstudymeを使って独自の試行を成功させ、非常に優れたユーザビリティ評価を達成した。
その結果,StudioMeは,日常生活における健康関連介入や行動修正をパーソナライズするために,個人が体系的な科学指向のアプローチを適用できるようにするための重要なステップとなることが示唆された。
関連論文リスト
- Applying and Evaluating Large Language Models in Mental Health Care: A Scoping Review of Human-Assessed Generative Tasks [16.099253839889148]
大規模言語モデル(LLM)はメンタルヘルスのための有望なツールとして登場し、人間のような反応を生成する能力を通じてスケーラブルなサポートを提供する。
しかし, 臨床環境におけるこれらのモデルの有効性は明らかになっていない。
このスコーピングレビューは、これらのモデルが現実世界のシナリオで人間の参加者とテストされた研究に焦点を当てている。
論文 参考訳（メタデータ） (2024-08-21T02:21:59Z) - TrialBench: Multi-Modal Artificial Intelligence-Ready Clinical Trial Datasets [57.067409211231244]
本稿では,マルチモーダルデータ(例えば,薬物分子,疾患コード,テキスト,分類・数値的特徴)と臨床治験設計における8つの重要な予測課題をカバーするAIreadyデータセットを精巧にキュレートした。
データセットのユーザビリティと信頼性を確保するため、各タスクに基本的な検証方法を提供する。
このようなオープンアクセスデータセットが利用可能になることは、臨床試験設計のための高度なAIアプローチの開発を促進することを期待する。
論文 参考訳（メタデータ） (2024-06-30T09:13:10Z) - Panacea: A foundation model for clinical trial search, summarization, design, and recruitment [29.099676641424384]
パナセアという臨床試験基盤モデルを提案する。
Panaceaは、トライアル検索、トライアル要約、トライアルデザイン、患者と臨床のマッチングなど、複数のタスクを扱うように設計されている。
793,279のトライアル文書と1,113,207のトライアル関連科学論文からなる、TrialAlignという大規模なデータセットも収集しました。
論文 参考訳（メタデータ） (2024-06-25T21:29:25Z) - On (Mis)perceptions of testing effectiveness: an empirical study [1.8026347864255505]
本研究の目的は, 異なる手法の欠陥検出の有効性の認識が, 先行経験の欠如において, 実際の有効性とどの程度一致しているかを明らかにすることである。
本研究は,2つのテスト手法とコードレビュー手法を適用した学生を対象に,制御実験を行った。
実験の最後には、どのテクニックが最も効果的かを調べる調査が行われた。
再現された研究の結果は、元の研究の結果を確認し、参加者の認識は、テクニックの複雑さや嗜好についての意見ではなく、そのテクニックを適用したと考えることについての意見に基づいているかもしれないことを示唆している。
論文 参考訳（メタデータ） (2024-02-11T14:50:01Z) - Designing and evaluating an online reinforcement learning agent for
physical exercise recommendations in N-of-1 trials [0.9865722130817715]
オンライン強化学習エージェントによるパーソナライズされた介入の実装が実現可能か,有効かを検証した,革新的なN-of-1トライアルデザインを提案する。
その結果、まず、オンライン強化学習エージェントによるパーソナライズされた介入を実装することは可能であった。
第二に、このような適応的介入は、わずかな観察しか得られなくても、患者の利益を改善する可能性がある。
論文 参考訳（メタデータ） (2023-09-25T14:08:21Z) - A Matter of Annotation: An Empirical Study on In Situ and Self-Recall Activity Annotations from Wearable Sensors [56.554277096170246]
In-the-wildデータ収集に焦点をあてたユーザスタディにおいて,一般的な4つのアノテーション手法の評価と対比を行う実験的検討を行った。
実際の記録プロセス中に参加者がアノテートするユーザ主導のin situアノテーションと、各日の終わりに参加者が振り返ってアノテートするリコールメソッドの両方に対して、参加者は自身のアクティビティクラスと対応するラベルを選択できる柔軟性を持っていた。
論文 参考訳（メタデータ） (2023-05-15T16:02:56Z) - SPOT: Sequential Predictive Modeling of Clinical Trial Outcome with
Meta-Learning [67.8195828626489]
臨床試験は薬物開発に不可欠であるが、時間を要する、費用がかかる、失敗する傾向がある。
本稿では,まず,複数ソースの臨床試験データを関連するトライアルトピックにクラスタリングするために,臨床トライアル結果の逐次予測mOdeling(SPOT)を提案する。
タスクとして各トライアルシーケンスを考慮して、メタ学習戦略を使用して、モデルが最小限のアップデートで新しいタスクに迅速に適応できるポイントを達成する。
論文 参考訳（メタデータ） (2023-04-07T23:04:27Z) - Adaptive Identification of Populations with Treatment Benefit in
Clinical Trials: Machine Learning Challenges and Solutions [78.31410227443102]
確定的臨床試験において,特定の治療の恩恵を受ける患者サブポピュレーションを適応的に同定する問題について検討した。
サブポピュレーション構築のためのメタアルゴリズムであるAdaGGIとAdaGCPIを提案する。
論文 参考訳（メタデータ） (2022-08-11T14:27:49Z) - Clinical trial site matching with improved diversity using fair policy
learning [56.01170456417214]
我々は,臨床治験記述を潜在的な試験現場のランクリストにマッピングするモデルを学習する。
既存のフェアネスフレームワークとは異なり、各トライアルサイトのグループメンバーシップは非バイナリである。
このようなマルチグループメンバーシップシナリオに対処するために、人口統計学的妥当性に基づく公平性基準を提案する。
論文 参考訳（メタデータ） (2022-04-13T16:35:28Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。