The impact of technology systems and professional support in digital mental health interventions: a secondary meta-analysis
Notice bibliographique
Résumé
ABSTRACT Background A rapid review of systematic reviews was conducted to assess the effectiveness of digital mental health interventions for people with a chronic disease. Although it provided an overview of the evidence, it offered limited understanding of ethe types of interventions that were the most effective. The aim of this study was to perform a meta-analysis of primary studies identified in this rapid review of systematic reviews by focusing on the needs of knowledge users. Methods This secondary meta-analysis follows a rapid review of systematic reviews, a virtual workshop with knowledge users to identify research questions and a modified Delphi study to guide research methods. We conducted a secondary analysis of the primary studies identified in the rapid review. Two reviewers independently screened the titles and abstracts and applied inclusion criteria: RCT design using a digital mental health intervention in a population of adults with another chronic condition, published after 2010 in French or English, and including an outcome measurement of anxiety or depression. Results 708 primary studies were extracted from the systematic reviews and 84 primary studies met the inclusion criteria Digital mental health interventions were significantly more effective than in-person care for both anxiety and depression outcomes. Online messaging was the most effective technology to improve anxiety and depression scores; however, all technology types were effective. Interventions partially supported by healthcare professionals were more effective than self-administered. Conclusions While our meta-analysis identifies digital intervention’s characteristics that are more effective, all technologies and levels of support can be used considering implementation context and population. Review registration The protocol for this review is registered in the National Collaborating Centre for Methods and Tools (NCCMT) COVID-19 Rapid Evidence Service (ID 75).
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,055 | 0,133 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,003 |
| Méta-épidémiologie (sens large) | 0,025 | 0,077 |
| Bibliométrie | 0,015 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».