MétaCan
Menu
Retour à la cohorte
Enregistrement W3091632721 · doi:10.2196/17895

Expanding Access to Perinatal Depression Treatment in Kenya Through Automated Psychological Support: Development and Usability Study

2020· article· en· W3091632721 sur OpenAlexvenueno aff
Eric Green, Yihuan Lai, Nicholas Pearson, Sathyanath Rajasekharan, Michiel Rauws, Angela Joerin, Edith Kwobah, Christine Musyimi, Rachel Jones, Chaya Bhat, Antonia Mulinge, Eve S. Puffer

Notice bibliographique

RevueJMIR Formative Research · 2020
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMobile Health and mHealth Applications
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésShort Message ServicePsychological interventionIntervention (counseling)Edinburgh Postnatal Depression ScaleMedicineUsabilityRandomized controlled trialMoodBaseline (sea)Service delivery frameworkPsychologyService (business)Clinical psychologyNursingPsychiatryAnxietyComputer scienceDepressive symptoms

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Depression during pregnancy and in the postpartum period is associated with poor outcomes for women and their children. Although effective interventions exist for common mental disorders that occur during pregnancy and the postpartum period, most cases in low- and middle-income countries go untreated because of a lack of trained professionals. Task-sharing models such as the Thinking Healthy Program have shown potential in feasibility and efficacy trials as a strategy for expanding access to treatment in low-resource settings; however, there are significant barriers to scale-up. We address this gap by adapting Thinking Healthy for automated delivery via a mobile phone. This new intervention, Healthy Moms, uses an existing artificial intelligence system called Tess (Zuri in Kenya) to drive conversations with users. OBJECTIVE: This prepilot study aims to gather preliminary data on the Healthy Moms perinatal depression intervention to learn how to build and test a more robust service. METHODS: We conducted a single-case experimental design with pregnant women and new mothers recruited from public hospitals outside of Nairobi, Kenya. We invited these women to complete a brief, automated screening delivered via text messages to determine their eligibility. Enrolled participants were randomized to a 1- or 2-week baseline period and then invited to begin using Zuri. We prompted participants to rate their mood via SMS text messaging every 3 days during the baseline and intervention periods, and we used these preliminary repeated measures data to fit a linear mixed-effects model of response to treatment. We also reviewed system logs and conducted in-depth interviews with participants to study engagement with the intervention, feasibility, and acceptability. RESULTS: We invited 647 women to learn more about Zuri: 86 completed our automated SMS screening and 41 enrolled in the study. Most of the enrolled women submitted at least 3 mood ratings (31/41, 76%) and sent at least 1 message to Zuri (27/41, 66%). A third of the sample engaged beyond registration (14/41, 34%). On average, women who engaged post registration started 3.4 (SD 3.2) Healthy Moms sessions and completed 3.1 (SD 2.9) of the sessions they started. Most interviewees who tried Zuri reported having a positive attitude toward the service and expressed trust in Zuri. They also attributed positive life changes to the intervention. We estimated that using this alpha version of Zuri may have led to a 7% improvement in mood. CONCLUSIONS: Zuri is feasible to deliver via SMS and was acceptable to this sample of pregnant women and new mothers. The results of this prepilot study will serve as a baseline for future studies in terms of recruitment, data collection, and outcomes. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): RR2-10.2196/11800.

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)0,009
score de la tête « metaresearch » (Gemma)0,013
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,009
Score d'incertitude au seuil0,045

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0090,013
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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 Opus0,306
Tête enseignante GPT0,617
Écart entre enseignants0,311 · 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

Citations46
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative ResearchMême sujetMobile Health and mHealth ApplicationsTravaux en français237 207