MétaCan
Menu
Retour à la cohorte
Enregistrement W3162152741 · doi:10.2196/26084

A Cognitive Behavioral Therapy–, Biofeedback-, and Game-Based eHealth Intervention to Treat Anxiety in Children and Young People With Long-Term Physical Conditions (Starship Rescue): Co-design and Open Trial

2021· article· en· W3162152741 sur OpenAlexvenueno aff
Hiran Thabrew, Karolina Stasiak, Harshali Kumar, Tarique Naseem, Christopher Frampton, Sally Merry

Notice bibliographique

RevueJMIR Serious Games · 2021
Typearticle
Langueen
DomaineMedicine
ThématiquePediatric Pain Management Techniques
Établissements canadiensnon disponible
Organismes subventionnairesUniversity of Auckland
Mots-cléseHealthAnxietyUsabilityPsychological interventionPsychologyBiofeedbackClinical psychologySystem usability scaleQuality of life (healthcare)Intervention (counseling)CognitionModalitiesPhysical therapyApplied psychologyMedicinePsychiatryHealth carePsychotherapistHeuristic evaluationComputer science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Approximately 10%-12% of New Zealand children and young people have long-term physical conditions (chronic illnesses) and are more likely to develop psychological problems, particularly anxiety and depression. Delayed treatment leads to worse health care and poorer long-term outcomes. Recently, eHealth interventions, especially those based on principles of cognitive behavioral therapy and biofeedback, have been shown to be moderately effective in reducing anxiety. However, these modalities have rarely been combined. Young people have expressed a preference for well-designed and technology-based support to deal with psychological issues. OBJECTIVE: This study aims to co-design and evaluate the acceptability and usability of a cognitive behavioral therapy and biofeedback-based, 5-module eHealth game called Starship Rescue and to provide preliminary evidence regarding its effectiveness in addressing anxiety and quality of life in young people with long-term physical conditions. METHODS: Starship Rescue was co-designed with 15 children and young people from a tertiary hospital in New Zealand. Following this, 24 others aged 10-17 years participated in an open trial of the game, accessing it over an 8-week period. The acceptability of the game to all participants was assessed using a brief, open-ended questionnaire. More detailed feedback was obtained from a subset of 10 participants via semistructured interviews. Usability was evaluated via device-recorded frequency and duration of access on completion of the game and the System Usability Scale. Anxiety levels were measured at baseline, completion, and 3 months after completion of the game using the Generalized Anxiety Disorder 7-item scale and Spence Child Anxiety Scale, and at the start of each module and on completion using an embedded Likert visual analog scale. Quality of life was measured at baseline, completion, and 3 months after completion using the Pediatric Quality of Life Inventory scale. RESULTS: Users gave Starship Rescue an overall rating of 5.9 out of 10 (range 3-10) and a mean score of 71 out of 100 (SD 11.7; minimum 47.5; maximum 90) on the System Usability Scale. The mean period for the use of the game was just over 11 weeks (78.8 days, 13.5 hours, 40 minutes). Significant reductions in anxiety were noted between the start and end of the game on the Generalized Anxiety Disorder 7-item scale (-4.6; P<.001), Spence Child Anxiety Scale (-9.6; P=.005), and the Likert visual analog scales (-2.4; P=.001). Quality of life also improved on the Pediatric Quality of Life Inventory scale (+4.3; P=.04). All changes were sustained at the 3-month follow-up. CONCLUSIONS: This study provides preliminary evidence for Starship Rescue as an acceptable, usable, and effective eHealth intervention for treating anxiety in young people with long-term physical conditions. Further evaluation is planned via a randomized controlled trial. TRIAL REGISTRATION: Australian New Zealand Clinical Trials Network Registry (ANZCTR) ACTRN12616001253493; https://www.anzctr.org.au/Trial/Registration/TrialReview.aspx?id=371443.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,848

Scores Codex et Gemma par catégorie

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

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 Opus0,027
Tête enseignante GPT0,371
Écart entre enseignants0,344 · 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 tête enseignante, 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

Citations23
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Serious GamesMême sujetPediatric Pain Management TechniquesTravaux en français237 207