MétaCan
Menu
Retour à la cohorte
Enregistrement W2951700331 · doi:10.2196/12590

Biofeedback-Assisted Resilience Training for Traumatic and Operational Stress: Preliminary Analysis of a Self-Delivered Digital Health Methodology

2019· article· en· W2951700331 sur OpenAlexvenueno aff
Paul N. Kizakevich, Randall Eckhoff, Gregory F. Lewis, Maria I. Davila, Laurel L. Hourani, Rebecca L Watkins, Belinda Weimer, Tracy Wills, Jessica Kelley Morgan, Tim Morgan, Sreelatha Meleth, Amanda Lewis, Michelle C. Krzyzanowski, Derek Ramirez, Matthew Boyce, Stephen Litavecz, Marian E. Lane, Laura Strange

Notice bibliographique

RevueJMIR mhealth and uhealth · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueHeart Rate Variability and Autonomic Control
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBiofeedbackHeart rateMindfulnessHeart rate variabilityGuided imageryBreathingAnxietymHealthPsychologyPopulationMedicinePhysical medicine and rehabilitationPhysical therapyClinical psychologyPsychiatryPsychological interventionBlood pressureInternal medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Psychological resilience is critical to minimize the health effects of traumatic events. Trauma may induce a chronic state of hyperarousal, resulting in problems such as anxiety, insomnia, or posttraumatic stress disorder. Mind-body practices, such as relaxation breathing and mindfulness meditation, help to reduce arousal and may reduce the likelihood of such psychological distress. To better understand resilience-building practices, we are conducting the Biofeedback-Assisted Resilience Training (BART) study to evaluate whether the practice of slow, paced breathing with or without heart rate variability biofeedback can be effectively learned via a smartphone app to enhance psychological resilience. OBJECTIVE: Our objective was to conduct a limited, interim review of user interactions and study data on use of the BART resilience training app and demonstrate analyses of real-time sensor-streaming data. METHODS: We developed the BART app to provide paced breathing resilience training, with or without heart rate variability biofeedback, via a self-managed 6-week protocol. The app receives streaming data from a Bluetooth-linked heart rate sensor and displays heart rate variability biofeedback to indicate movement between calmer and stressful states. To evaluate the app, a population of military personnel, veterans, and civilian first responders used the app for 6 weeks of resilience training. We analyzed app usage and heart rate variability measures during rest, cognitive stress, and paced breathing. Currently released for the BART research study, the BART app is being used to collect self-reported survey and heart rate sensor data for comparative evaluation of paced breathing relaxation training with and without heart rate variability biofeedback. RESULTS: To date, we have analyzed the results of 328 participants who began using the BART app for 6 weeks of stress relaxation training via a self-managed protocol. Of these, 207 (63.1%) followed the app-directed procedures and completed the training regimen. Our review of adherence to protocol and app-calculated heart rate variability measures indicated that the BART app acquired high-quality data for evaluating self-managed stress relaxation training programs. CONCLUSIONS: The BART app acquired high-quality data for studying changes in psychophysiological stress according to mind-body activity states, including conditions of rest, cognitive stress, and slow, paced breathing.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,702
Score d'incertitude au seuil0,600

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,112
Tête enseignante GPT0,401
Écart entre enseignants0,289 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations25
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealthMême sujetHeart Rate Variability and Autonomic ControlTravaux en français237 207