L’influence des interventions connectées pour l’adhésion à la prévention du risque cardio- vasculaire
Les applications devenant omniprésentes dans la vie quotidienne des gens, ces dernières deviennent particulièrement attrayantes dans le domaine de la santé publique et représentent une opportunité peu coûteuse de diffuser des informations sur la santé, améliorant éventuellement le rapport coût-efficacité des interventions de santé. En outre, elles peuvent promouvoir le soutien psycho-social, facilitant ainsi le changement de comportement en matière de santé. En particulier, les réseaux sociaux dont l’usage augmente justifient des recherches supplémentaires sur leur efficacité à influencer un changement de comportement à long terme en matière de santé (Laranjo et al., 2015). L’utilisation de la m-santé a augmenté au fur et à mesure que ces applications devenaient plus populaires et omniprésentes. Ces INS ont un effet positif (Laranjo et al., 2015) sur le changement de comportement, ce qui encourage les recherches futures dans ce domaine. Davantage de travaux sont cependant nécessaires afin d’explorer les multiples aspects du comportement préventif, tels que la concordance de l’accord négocié entre le patient et le médecin ou un autre professionnel de la santé, des préférences, de la satisfaction et de la persistance (Badawy et al., 2017 ; Barbosa et al., 2012 ; Cortet & Bénichou, 2006). Parmi les recherches allant dans ce sens, nous pouvons noter les travaux récents de Ugon et al., 2018 sur la prévention personnalisée qui visent à développer une plateforme informatique rendant les approches préventives efficaces intégrant un système d’aide à la décision modulaire s’appuyant sur les connaissances dédiées aux décisions coopératives de prévention des maladies cardio- vasculaires. Par exemple, les études interventionnelles sur les maladies cardio-vasculaires partagent de nombreuses caractéristiques techniques et méthodes économiques dérivées de techniques de changement de comportement (Abraham & Michie, 2008 ; Michie et al., 2009).
L’adhésion est l’un des principaux défis de la m-santé. L’adhésion peut être définie comme la persistance dans le temps d’une utilisation correcte de l’outil ou de l’application de santé connectée. Il est utile d’identifier des leviers spécifiques, pour aider les patients à atteindre une autogestion efficace de leurs maladies chroniques. Par exemple, un levier peut leur permettre de surveiller leur diabète ou leur hypertension artérielle dans le temps, en vue de prévenir les facteurs de risque des maladies cardio-vasculaires. La recherche sur la conception de nouvelles technologies de santé numérique personnalisées, intégrant des données relatives au comportement et aux décisions, peut permettre d’exercer un effet de levier sur les comportements préventifs en matière de santé. L’utilisation de la santé mobile pour influencer l’adhésion aux mesures de prévention des maladies cardio-vasculaires pourrait être encore améliorée. À l’avenir, comme un nombre croissant de patients atteints de maladies chroniques deviennent des utilisateurs d’applications de santé connectées, la recherche sur ces applications devrait se concentrer de plus en plus sur l’autogestion des maladies chroniques. Les études futures pourraient également faciliter la comparaison des interventions grâce à l’élaboration de lignes directrices normalisées (Carbonnel & Ninot, 2019).
Objectif de la revue de la littérature
Nous avons procédé à un examen de la portée des interventions numériques de santé utilisées dans les études interventionnelles décrivant la manière dont ces leviers et leurs fonctions aident efficacement les patients, au fil du temps, à faire face aux facteurs de risque cardio-vasculaire dans leur propre environnement. L’objectif est d’acquérir des connaissances et de mettre en évidence les tendances actuelles dans ce domaine qui semble à première vue 2.2.2 Stratégie de recherche La stratégie de recherche employée lors de ce travail de revue consiste en une recherche systématique dans la littérature des cinq dernières années, couvrant septembre 2015 à février 2019 sur PubMed. Cette durée de 5 ans a été choisie en tenant compte du fait que les technologies des outils et méthodes du domaine de la e-santé sont récentes et deviennent rapidement obsolètes. Les données extraites sont rapportées dans BibReview, un logiciel bibliographique développé dans le cadre de la revue l’annuelle de l’informatique médicale YearBook (Lamy et al., 2015). La Figure 8 présente une capture d’écran de l’interface utilisateur de BibReview à partir de notre recherche initiale qui donne 98 articles ciblés dans PubMed. L’encadrement en rouge indique les possibilités de filtrage et l’identification du type d’article dans notre liste d’article extraites de Pubmed.
Résultats de la revue de la littérature
La comparaison des travaux sélectionnés a été effectuée avec une grille de lecture adaptée de la grille de lecture de Laranjo (Laranjo et al., 2015). Cette dernière contient des variables : étude, année auteur, facteurs de risque, intervention de santé connectée, recrutement (nombre total et origine ethnique, sociale ou éducation de la population), durée de l’étude, adhésion, catégories de fonctions comme dans la première méta-analyse sur l’influence des sites de réseau social sur les comportements de santé. Les facteurs de risques seront définis dans une liste de facteurs de risques de risque cliniques et comportementaux déterminée sur la base des travaux de Meneton et al. (2017). Ces travaux proposent un modèle de prédiction des maladies cardio-vasculaires ayant comme intérêt majeur d’identifier et de distinguer différents types de variables pour les facteurs de risque de type :
La plupart des participants des 24 études incluses étaient des adultes. Des variables non modifiables étaient toujours présentes et intégrées dans l’analyse des études de manière distincte par un codage spécifique à ces dernières. Par exemple, en ce qui concerne l’âge, bien que ce soit la plupart du temps jeune ou vieux, certaines études se concentrent sur des populations spécifiques, d’âge moyen 65 ans comme dans Holender et al. (2018) ou seulement jeunes comme dans Tran et al. (2018) (Holender et al., 2018 ; Tran et al., 2018). Parfois, les différentes populations sont délimitées selon leurs différentes origines, comme l’origine sociale (par exemple, leur niveau d’éducation dans Buis et al. (2019)), ou encore l’origine ethnique (par exemple, les Afro-Américains, les Vietnamiens dans Tran et al. (2018) (Buis et al., 2019 ; Tran et al., 2018)).