Does providing personalized depression risk information lead to increased psychological distress and functional impairment? Results from a mixed-methods randomized controlled trial
Notice bibliographique
Résumé
BACKGROUND: Multivariable risk algorithms (MVRP) predicting the personal risk of depression will form an important component of personalized preventive interventions. However, it is unknown whether providing personalized depression risk will lead to unintended psychological harms. The objectives of this study were to evaluate the impact of providing personalized depression risk on non-specific psychological distress and functional impairment over 12 months. METHODS: A mixed-methods randomized controlled trial was conducted in 358 males and 354 females who were at high risk of having a major depressive episode according to sex-specific MVRPs, and who were randomly recruited across Canada. Participants were assessed at baseline, 6 and 12 months. RESULTS: = 1.17, 95% CI 0.12-2.23) at 12 months. Participants in the intervention group also reported significantly less functional impairment in the domains of home and work/school activities, than did those in the control group. A majority of the qualitative interviewees commented that personalized depression risk information does not have a negative impact on physical and mental health. CONCLUSIONS: This study found no evidence that providing personalized depression risk information will lead to worsening psychological distress, functional impairment, and absenteeism. Provision of personalized depression risk information may have positive impacts on non-specific psychological distress and functioning. TRIAL REGISTRATION: ClinicalTrials.gov NCT02943876.
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 | 0,003 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 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 | 0,001 |
| 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 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 ».