The use of technology for mental healthcare delivery among older adults with depressive symptoms: A systematic literature review
Notice bibliographique
Résumé
Depression has been identified as the single largest contributor to poor health and functioning worldwide. Global estimates indicate that 4.4% of the world's population lives with depression, equating to about 322 million individuals. Research demonstrates that telehealth interventions (i.e. delivering therapy by phone or videoconferencing) have potential for improving mental health care among community-based older adults. This review analyses scholarly literature on telehealth interventions among older adults with depressive symptoms. Following PRISMA guidelines, a systematic search of peer-reviewed papers was conducted using the following key terms: telemedicine, telepsychogeriatrics, telepsychiatry, eHealth, mental health, depression, and geriatric. The review included nine articles examining telehealth for mental health care, published in English between 1946 and 26 September 2017. Telehealth for mental health care among older adults demonstrates a significant impact on health outcomes, including reduced emergency visits, hospital admissions, and depressive symptoms, as well as improved cognitive functioning. Positive or negative influences on the use of telehealth among older adults are identified. This review highlights keys aspects to consider in using telehealth interventions, including levels of education, cognitive function, and prior technology experience. The review highlights vital factors for designing interventions which aim to capitalize on the benefits of the use of telehealth for mental healthcare service delivery, especially in older adults with depressive symptoms.
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) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».