Smartphone Apps for Schizophrenia: A Systematic Review
Notice bibliographique
Résumé
BACKGROUND: There is increasing interest in using mobile technologies such as smartphones for improving the care of patients with schizophrenia. However, less is known about the current clinical evidence for the feasibility and effectiveness of smartphone apps in this population. OBJECTIVE: To review the published literature of smartphone apps applied for the care of patients with schizophrenia and other psychotic disorders. METHODS: An electronic database search of Ovid MEDLINE, the Cochrane Central Register of Controlled Trials, Health Technology Assessment Database, Allied and Complementary Medicine, Health and Psychosocial Instruments, PsycINFO, and Embase was conducted on May 24, 2015. All eligible studies were systematically reviewed, and proportional meta-analyses were applied to pooled data on recruitment, retention, and adherence to examine the overall feasibility of smartphone interventions for schizophrenia. RESULTS: Our search produced 226 results from which 7 eligible articles were identified, reporting on 5 studies of smartphone apps for patients with schizophrenia. All examined feasibility, and one assessed the preliminary efficacy of a smartphone intervention for schizophrenia. Study lengths varied between 6 and 130 days. Overall retention was 92% (95% CI 82-98%). Participants consistently used the smartphone apps on more than 85% of days during the study period, averaging 3.95 interactions per person per day. Furthermore, participants responded to 71.9% of automated prompts (95% CI 65.7-77.8%). Participants reported a range of potential benefits from the various interventions, and user experience was largely positive. CONCLUSIONS: Although small, the current published literature demonstrates strong evidence for the feasibility of using smartphones to enhance the care of people with schizophrenia. High rates of engagement and satisfaction with a broad range of apps suggest the nascent potential of this mobile technology. However, there remains limited data on the efficacy of such interventions.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,008 |
| Bibliométrie | 0,008 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».