Digital health interventions for the management of mental health in people with chronic diseases: a rapid review
Notice bibliographique
Résumé
OBJECTIVE: Determine the effectiveness of digital mental health interventions for individuals with a concomitant chronic disease. DESIGN: We conducted a rapid review of systematic reviews. Two reviewers independently conducted study selection and risk of bias evaluation. A standardised extraction form was used. Data are reported narratively. INTERVENTIONS: We included systematic reviews of digital health interventions aiming to prevent, detect or manage mental health problems in individuals with a pre-existing chronic disease, including chronic mental health illnesses, published in 2010 or after. MAIN OUTCOME MEASURE: Reports on mental health outcomes (eg, anxiety symptoms and depression symptoms). RESULTS: We included 35 reviews, totalling 702 primary studies with a total sample of 50 692 participants. We structured the results in four population clusters: (1) chronic diseases, (2) cancer, (3) mental health and (4) children and youth. For populations presenting a chronic disease or cancer, health provider directed digital interventions (eg, web-based consultation, internet cognitive-behavioural therapy) are effective and safe. Further analyses are required in order to provide stronger recommendations regarding relevance for specific population (such as children and youth). Web-based interventions and email were the modes of administration that had the most reports of improvement. Virtual reality, smartphone applications and patient portal had limited reports of improvement. CONCLUSIONS: Digital technologies could be used to prevent and manage mental health problems in people living with chronic conditions, with consideration for the age group and type of technology used.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».