搜索文章

查看帮助文章搜索中的查询

查册结果(21项结果中1至10项)

下载搜索结果:CSV结束助理RIS


为围产期心理健康数字评估的开发和实施提供概念验证支持:混合方法研究

为围产期心理健康数字评估的开发和实施提供概念验证支持:混合方法研究

本研究的最终目标是为发展以及在英国实施数字心理健康评估工具,为有关围产期心理健康问题诊断和治疗的临床决策提供信息。参与者是在2020年4月至8月期间通过电子邮件、剑桥神经精神研究中心的脸书和推特页面上的帖子以及脸书付费广告招募的。

内拉·安娜·马丁-基贝内黛塔斯巴达罗西娅·苏菲·沙伊Sabine铁路

中国医学杂志,2017;23(6):e27132


对接受乳腺癌或结直肠癌辅助化疗患者的远程症状评估和管理(SAM)系统的评估:混合方法研究

对接受乳腺癌或结直肠癌辅助化疗患者的远程症状评估和管理(SAM)系统的评估:混合方法研究

技术可以促进症状监测和患者与医疗保健提供者之间的沟通,并且在医疗保健领域的系统数量迅速增加发展;然而,许多人要求更进一步发展为了提高它们的可用性和临床整合[5],很少有研究在癌症环境[6]中进行。越来越多的移动应用程序被设计来支持癌症治疗。

丽莎·怀特海德劳拉金刚砂黛博拉·柯克黛安娜Twigg黛博拉·布朗乔安娜·杜瓦

JMIR Cancer 2020;6(2):e22825


交互式短信调查作为公共卫生研究中就寝时间常规的新评估:观察性研究

交互式短信调查作为公共卫生研究中就寝时间常规的新评估:观察性研究

就寝时间与孩子的各个方面都有重要的联系发展还有幸福感,尤其是睡眠质量、牙齿健康、父母的心理情感健康、学习态度和认知能力发展(地位)。尽管有证据强调了它们的重要性,但显然缺乏可靠、灵活、创新和用户友好的睡前程序评估方法[16,17]。

乔治Kitsaras米凯拉古德温茱莉亚•艾伦迈克尔•凯利伊恩很

JMIR公共卫生监测2020;6(4):e15524


中国中医与现代医学智能手机应用比较:系统检索与内容分析

中国中医与现代医学智能手机应用比较:系统检索与内容分析

快速发展信息和通信技术的发展有助于克服提供保健服务方面的距离障碍,从而使移动保健(m health)[10]得以产生和普及。m健康应用程序是典型的m健康服务的缩影,并具有促进患者参与、降低成本和改善健康结果的潜力[11]。

刘小航风扇金杰弗里·许李迪楠魏陈

JMIR移动健康Uhealth 2021;9(3):e27406


预测肾细胞癌术后复发概率的机器学习方法:预测模型开发研究

预测肾细胞癌术后复发概率的机器学习方法:预测模型开发研究

我们使用Python(3.7.6版本)进行统计分析和算法发展.我们比较了复发组和非复发组的患者特征和各变量的分布(表2)。复发组患者的平均年龄高于非复发组患者(分别为58.4岁和55.4岁)。复发组和非复发组患者的平均bmi分别为23.6 kg/m2和24.7 kg/m2。

HyungMin金李善静Jin Park在Young ChoiSung-Hoo香港

JMIR Med Inform 2021;9(3):e25635


为脊柱手术患者提供数字护理途径的智能手机应用程序:开发和可行性研究

为脊柱手术患者提供数字护理途径的智能手机应用程序:开发和可行性研究

本节将介绍用于通知迭代的下一阶段的过程和关键发现发展的过程。发展MMS-Spine应用程序的创建和实施过程概述。BCT:行为改变技术;ms - spine: Manage My Surgery脊柱手术模块;UX:用户体验。

麦迪逊思考Abena A. Ansah-YeboahLefko T. CharalambousSyed M. AdilVishal万卡特拉曼·莱马克里斯默罕默德Abd-El-Barr迈克尔Haglund彼得Grossi切斯特Yarbrough拉杰夫Dharmapurikar济Gellad希凡纳德

JMIR Perioper Med 2020;3(2):e21138


通过远程监测技术支持心血管疾病的自我管理:研究和开发中使用的框架、模型和理论的元人类学综述

通过远程监测技术支持心血管疾病的自我管理:研究和开发中使用的框架、模型和理论的元人类学综述

例如,最近发布的框架发展医疗保健中的数字行为干预概述了一个概念化的过程,发展、实施、推广[7]。在整体方法方面,指导方针也被用于研究和发展的健康[5,6]。类似地,一些框架侧重于特定方面或结果,如卫生保健技术的采用、可伸缩性和可持续性[8]。

罗伯托·拉斐尔Cruz-MartínezJobke WentzelRikke Aune Asbjørnsen彼得·丹尼尔·诺特约翰·马格努斯·范尼克尔克中生SandermanJulia EWC van Gemert-Pijnen

中国医学杂志,2020;22(5):e16157


基于临床和影像学数据自动评估COVID-19严重程度的机器学习方法的开发和验证:回顾性研究

基于临床和影像学数据自动评估COVID-19严重程度的机器学习方法的开发和验证:回顾性研究

参考文献12:快速AI发展冠状病毒(COVID-19)大流行周期:参考文献23的初步结果:发展以及基于计算机断层成像的深度学习模型的验证 发展 发展以及新冠病毒严重程度自动评估的机器学习方法的验证

胡安·卡洛斯·基罗斯You-Zhen冯中原程Dana RezazadeganPing-Kang陈Qi-Ting林龙千肖芳刘什洛莫Berkovsky恩里科CoieraLei歌小明邱Sidong刘Xiang-Ran蔡

JMIR Med Inform 2021;9(2):e24572


Baidu
map