MétaCan
Menu
Retour à la cohorte
Enregistrement W3004484909 · doi:10.2196/16237

An Automated Mobile Mood Tracking Technology (Mood 24/7): Validation Study

2020· article· en· W3004484909 sur OpenAlexvenueno aff
Anupama Kumar, Michael Wang, Alison Riehm, Eileen Yu, Ted Smith, Adam Kaplin

Notice bibliographique

RevueJMIR Mental Health · 2020
Typearticle
Langueen
DomainePsychology
ThématiqueDigital Mental Health Interventions
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMoodMedicinePsychiatryTracking (education)Clinical psychologyPsychology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Electronic tracking has been utilized for a variety of health conditions. Previous studies have shown that there is higher adherence to electronic methods vs paper-and-pencil tracking modalities. Electronic tracking also ensures that there are no back-filled entries, where patients have-to appear compliant-entered their responses retrospectively just before their visits with their health care provider. On the basis of the recognition of an unmet need for a Web-based automated platform to track psychiatric outcomes, Johns Hopkins University partnered with Health Central (a subsidiary of Remedy Health Media LLC) to develop Mood 24/7, an electronic, mobile, automated, SMS-based mood tracker. This is a pilot study to validate the use of Mood 24/7 in anticipation of clinical trials to demonstrate the therapeutic benefit on patients' health outcomes of utilizing digital mood-tracking technology. OBJECTIVE: Mood 24/7 is an electronic mood-monitoring platform developed to accurately and efficiently track mood over time through automated daily SMS texts or emails. This study was designed to assess the accuracy and validity of Mood 24/7 in an outpatient psychiatric setting. METHODS: This pilot study involved a retrospective chart review for depressed outpatients (N=9) to compare their self-reported Mood 24/7 daily mood ratings with their psychiatrist's independent clinical mood assessment at the time of the patient's visit. Their mood ratings via Mood 24/7 were collected over 36 weeks. In addition, a mixed model analysis was applied to compare the weekly Montgomery-Åsberg Depression Rating Scale (MADRS) scores with Mood 24/7 scores over an average of 3 months. RESULTS: A 97.2% (315/324) digital mood reporting adherence was found over 36 weeks, and a significant correlation (r=0.86, P<.001) was observed between patients' Mood 24/7 scores and their psychiatrist's blinded clinical assessment of the patient's mood when seen in the clinic. In addition, a significant concordance (intraclass correlation of 0.69, 95% CI 0.33-0.91, P<.001) was observed in the mixed model analysis of the clinician-administered MADRS vs Mood 24/7 scores over time. CONCLUSIONS: Our chart review and mixed model analyses demonstrate that Mood 24/7 is a valid instrument for convenient, simple, noninvasive, and accurate longitudinal mood assessment in the outpatient clinical setting.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,010
score de la tête « metaresearch » (Gemma)0,009
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,010
Score d'incertitude au seuil0,052

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0100,009
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,001

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 Opus0,049
Tête enseignante GPT0,459
Écart entre enseignants0,409 · 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 source (Gemma direct ou Codex distillé), 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

Citations8
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Mental HealthMême sujetDigital Mental Health InterventionsTravaux en français237 207