Patient Smartphone Ownership and Interest in Mobile Apps to Monitor Symptoms of Mental Health Conditions: A Survey in Four Geographically Distinct Psychiatric Clinics
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Despite growing interest in mobile mental health and utilization of smartphone technology to monitor psychiatric symptoms, there remains a lack of knowledge both regarding patient ownership of smartphones and their interest in using such to monitor their mental health. OBJECTIVE: To provide data on psychiatric outpatients' prevalence of smartphone ownership and interest in using their smartphones to run applications to monitor their mental health. METHODS: We surveyed 320 psychiatric outpatients from four clinics around the United States in order to capture a geographically and socioeconomically diverse patient population. These comprised a state clinic in Massachusetts (n=108), a county clinic in California (n=56), a hybrid public and private clinic in Louisiana (n=50), and a private/university clinic in Wisconsin (n=106). RESULTS: Smartphone ownership and interest in utilizing such to monitor mental health varied by both clinic type and age with overall ownership of 62.5% (200/320), which is slightly higher than the average United States' rate of ownership of 58% in January 2014. Overall patient interest in utilizing smartphones to monitor symptoms was 70.6% (226/320). CONCLUSIONS: These results suggest that psychiatric outpatients are interested in using their smartphones to monitor their mental health and own the smartphones capable of running mental healthcare related mobile applications.
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.
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 | 0,002 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle