MétaCan
Menu
← Retour à la cohorte
Enregistrement W3112545974 · doi:10.1093/geroni/igaa057.1203

Comparing a Clinician Assisted and App-Supported Positive Psychiatry Behavioral Activation Intervention

2020· article· en· W3112545974 sur OpenAlexaff
Ariane S. Massie, Keri-Leigh Cassidy, Michael Vallis, David Conn, Daria Parsons, Julie Spence Mitchell, Claire Checkland, Kiran Rabheru

Notice bibliographique

RevueInnovation in Aging · 2020
Typearticle
Langueen
DomainePsychology
ThématiqueDigital Mental Health Interventions
Établissements canadiensUniversity of OttawaDalhousie UniversityUniversity of TorontoYork University
Organismes subventionnairesnon disponible
Mots-clésIntervention (counseling)Psychological interventionReferralMedicinePsychological resiliencePsychologyClinical psychologyBehavioral activationPsychiatryCognitionFamily medicinePsychotherapist

Résumé

récupéré en direct d'OpenAlex

Abstract Positive psychiatry offers a unique approach to promote brain health and well-being in aging populations. Health interventions are increasingly becoming available using self-guided apps, however, little is known about the effectiveness of app technology or the difference between in-person versus self-guided app methodology for behavioural activation. The objective of this study was to investigate the difference in users and outcomes between two formats of a positive psychiatry intervention to promote brain health and well-being in later-life: (1) clinician-assisted, and (2) independent app use for self-management. As part of a larger national knowledge translation intervention two methods of a behavioural activation intervention (Clinician-assisted vs. Independent app use) were retrospectively compared. Main outcomes were patient characteristics (age, sex, and completion rate), psychological outcomes (health and resilience, and well-being), and behavioural outcomes (goal attainment, and items of goal SMART-ness). Clinician-assisted patients (n=254) were more likely to be male, older, and had lower health and resilience scores at baseline than Independent app users (n=333). Clinician-assisted patients had notably higher completion rates (99.2% vs. 10.8%). Psychological outcomes were similar regardless of intervention method for those who completed the intervention. Clinician-assisted patients had higher rates of goal attainment and goal SMART-ness. A preliminary goal setting methodology for effective behavioural activation, to promote brain health and wellness, is given. Clinician-patient relationships were found to be an important factor for intervention completion, caution is given for app use referral. Results indicate a need for further exploration to determine best practices for health app use in clinical practice.

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)0,002
score de la tête « metaresearch » (Gemma)0,011
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai non randomisé · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,005
Score d'incertitude au seuil0,017

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,011
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,121
Tête enseignante GPT0,446
Écart entre enseignants0,326 · 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'étudeEssai non randomisé
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

Citations1
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInnovation in Aging→Même sujetDigital Mental Health Interventions→Travaux en français237 207→