Effects of Mobile App–Based Intervention for Depression in Middle-Aged and Older Adults: Mixed Methods Feasibility Study
Notice bibliographique
Résumé
BACKGROUND: Digital mental health interventions may help middle-aged and older adults with depression overcome barriers to accessing traditional care, but few studies have investigated their use in this population. OBJECTIVE: This pilot study examines the feasibility, acceptability, and potential efficacy of the Meru Health Program, an 8-week mobile app-delivered intervention. METHODS: A total of 20 community-dwelling middle-aged and older adults (age: mean 61.7 years, SD 11.3) with elevated depressive symptoms participated in a single-arm pilot study investigating the Meru Health Program, an app-delivered intervention supported by remote therapists. The program primarily uses mindfulness and cognitive behavioral skills to target depressive symptoms. A semistructured interview was completed at the baseline to establish current psychiatric diagnoses. Depressive symptoms were measured using the Patient Health Questionnaire and Patient-Reported Outcomes Measurement Information System (PROMIS) depression measures. Anxiety symptoms were measured using the Generalized Anxiety Disorder Scale and the PROMIS Anxiety measure. User experience and acceptability were examined through surveys and qualitative interviews. RESULTS: In total, 90% (18/20) of the participants completed the program, with 75% (15/20) completing at least 7 of the 8 introductory weekly lessons. On average, participants completed 60 minutes of practice and exchanged 5 messages with their therapists every week. The app was rated as helpful by 89% (17/19) participants. Significant decreases in depressive (P=.03) and anxiety symptom measures (P=.01) were found; 45% (9/20) of participants showed clinically significant improvement in either depressive symptoms or anxiety symptoms. CONCLUSIONS: The findings suggest that the commercially available Meru Health Program may be feasible, acceptable, and potentially beneficial to middle-aged and older adults. Although larger controlled trials are needed to demonstrate efficacy, these findings suggest that digital health interventions may benefit adults of all ages.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».