Utilization of Patient-Generated Data Collected Through Mobile Devices: Insights From a Survey on Attitudes Toward Mobile Self-Monitoring and Self-Management Apps for Depression
Notice bibliographique
Résumé
BACKGROUND: Depression is a severe psychiatric disease with high prevalence and an elevated risk for recurrence and chronicity. A substantial proportion of individuals with a diagnosis of unipolar depressive disorder do not receive treatment as advised by national guidelines. Consequently, self-monitoring and self-management become increasingly important. New mobile technologies create unique opportunities to obtain and utilize patient-generated data. As common adherence rates to mobile technologies are scarce, a profound knowledge of user behavior and attitudes and preferences is important throughout any developmental process of mobile technologies and apps. OBJECTIVE: The aim of this survey was to provide descriptive data upon usage and anticipated usage of self-monitoring and self-management of depression and preferences of potential users in terms of documented parameters and data-sharing options. METHODS: A Web-based survey comprising 55 questions was conducted to obtain data on the usage of mobile devices, app usage, and participant's attitudes and preferences toward mobile health apps for the self-monitoring and self-management of depression. RESULTS: A total of 825 participants provided information. Moreover, two-thirds of the sample self-reported to be affected by depressive symptoms, but only 12.1% (81/668) of those affected by depression have ever used any mobile self-monitoring or self-management app. Analysis showed that people want personally relevant information and feedback but also focus on handling sensitive data. CONCLUSIONS: New mobile technologies and smartphone apps, especially in combination with mobile sensor systems, offer unique opportunities to overcome challenges in the treatment of depression by utilizing the potential of patient-generated data. Focus on patient-relevant information, security and safe handling of sensitive personal data, as well as options to share data with self-selected third parties should be considered mandatory throughout any development process.
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 | 0,003 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».