A Gamified Smartphone-Based Intervention for Depression: Randomized Controlled Pilot Trial
Notice bibliographique
Résumé
BACKGROUND: Available smartphone-based interventions for depression predominantly use evidence-based strategies from cognitive-behavioral therapy (CBT), but patient engagement and reported effect sizes are small. Recently, studies have demonstrated that smartphone-based interventions combining CBT with gamified approach-avoidance bias modification training (AAMT) can foster patient engagement and reduce symptoms of several mental health problems. OBJECTIVE: Based on these findings, we developed a gamified smartphone-based intervention, mentalis Phoenix (MT-Phoenix), and hypothesized the program would both engage patients and produce preliminary evidence for the reduction of depressive symptoms. METHODS: To test this hypothesis, we evaluated MT-Phoenix in a randomized controlled pilot trial including 77 individuals with elevated depression scores (Patient Health Questionnaire-9 scores ≥5). Participants were either instructed to train for 14 days with MT-Phoenix or assigned to a waitlist control condition. Engagement with the intervention was measured by assessing usage data. The primary outcome was reduction in depressive symptom severity at postassessment. RESULTS: =19.34; P=.001), with a large effect size (d=1.02). Effects were sustained at a 3-month follow-up. CONCLUSIONS: A gamified smartphone-based intervention combining CBT with AAMT may foster patient engagement and effectively target depressive symptoms. Future studies should evaluate the effectiveness of this intervention in a phase 3 trial using clinical samples. Moreover, the intervention should be compared to active control conditions. TRIAL REGISTRATION: German Clinical Trial Registry DRKS00012769; https://tinyurl.com/47mw8du7.
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) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,002 | 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 ».