Posttraumatic Stress Disorder and Mobile Health: App Investigation and Scoping Literature Review
Notice bibliographique
Résumé
BACKGROUND: Posttraumatic stress disorder (PTSD) is a prevalent mental health issue among veterans. Access to PTSD treatment is influenced by geographic (ie, travel distance to facilities), temporal (ie, time delay between services), financial (ie, eligibility and cost of services), and cultural (ie, social stigma) barriers. OBJECTIVE: The emergence of mobile health (mHealth) apps has the potential to bridge many of these access gaps by providing remote resources and monitoring that can offer discrete assistance to trauma survivors with PTSD and enhance patient-clinician relationships. In this study, we investigate the current mHealth capabilities relevant to PTSD. METHODS: This study consists of two parts: (1) a review of publicly available PTSD apps designed to determine the availability of PTSD apps, which includes more detailed information about three dominant apps and (2) a scoping literature review performed using a systematic method to determine app usage and efforts toward validation of such mHealth apps. App usage relates to how the end users (eg, clinicians and patients) are interacting with the app, whereas validation is testing performed to ensure the app's purpose and specifications are met. RESULTS: The results suggest that though numerous apps have been developed to aid in the diagnosis and treatment of PTSD symptoms, few apps were designed to be integrated with clinical PTSD treatment, and minimal efforts have been made toward enhancing the usability and validation of PTSD apps. CONCLUSIONS: These findings expose the need for studies relating to the human factors evaluation of such tools, with the ultimate goal of increasing access to treatment and widening the app adoption rate for patients with PTSD.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».