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 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 | 0,000 | 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 ».