mHealth based interventions for the assessment and treatment of psychotic disorders: a systematic review
Notice bibliographique
Résumé
The relative burden of mental health disorders is increasing globally, in terms of prevalence and disability. There is limited data available to guide treatment choices for clinicians in low resourced settings, with mHealth technologies being a potentially beneficial avenue to bridging the large mental health treatment gap globally. The aim of the review was to search the literature systematically for studies of mHealth interventions for psychosis globally, and to examine whether mHealth for psychosis has been investigated. A systematic literature search was completed in Embase, Medline, PsychINFO and Evidence Based Medicine Reviews databases from inception to May 2016. Only studies with a randomised controlled trial design that investigated an mHealth intervention for psychosis were included. A total of 5690 records were identified with 7 studies meeting the inclusion criteria. The majority of included studies, were conducted across Europe and the United Sates with one being conducted in China. The 7 included studies examined different parameters, such as Experiential Sampling Methodology (ESM), medication adherence, cognitive impairment, social functioning and suicidal ideation in veterans with schizophrenia. Considering the increasing access to mobile devices globally, mHealth may potentially increase access to appropriate mental health care. The results of this review show promise in bridging the global mental health treatment gap, by enabling individuals to receive treatment via their mobile phones, particularly for those individuals who live in remote or rural areas, areas of high deprivation and for those from low resourced settings.
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 | 0,005 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,005 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».