Reporting and understanding the safety and adverse effect profile of mobile apps for psychosocial interventions: An update
Notice bibliographique
Résumé
Recent years have seen a rapidly increasing trend towards the delivery of health technology through mobile devices. Smartphones and tablet devices are thus becoming increasingly popular for accessing information and a wide range of services, including health care services. Modern mobile apps can be used for a variety of reasons, ranging from education for the patients and assistance to clinicians to delivery of interventions. Mobile phone apps have also been established to benefit patients in a scope of interventions across numerous medical specialties and treatment modalities. Medical apps have their advantages and disadvantages. It is important that clinicians have access to knowledge to make decisions regarding the use of medical apps on the basis of risk-benefit ratio. Mobile apps that deliver psycho social interventions offer unique challenges and opportunities. A number of reviews have highlighted the potential use of such apps. There is a need to describe, report and study their side effects too. The adverse effects associated with these apps can broadly be divided into: (1) those resulting from the security and safety concerns; (2) those arising from the use of a particular psycho social intervention; and (3) those due to the interaction with digital technology. There is a need to refine and reconsider the safety and adverse effects in this area. The safety profile of a mobile PSI app should describe its safety profile in: (1) privacy and security; (2) adverse effects of psychotherapy; and (3) adverse effects unique to the use of apps and the internet. This is, however, a very new area and further research and reporting is required to inform clinical decision making.
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 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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».