A Digital Therapeutic Intervention Delivering Biofeedback for Panic Attacks (PanicMechanic): Feasibility and Usability Study
Notice bibliographique
Résumé
BACKGROUND: Panic attacks (PAs) are an impairing mental health problem that affects >11% of adults every year. PAs are episodic, and it is difficult to predict when or where they may occur; thus, they are challenging to study and treat. OBJECTIVE: The aim of this study is to present PanicMechanic, a novel mobile health app that captures heart rate-based data and delivers biofeedback during PAs. METHODS: In our first analysis, we leveraged this tool to capture profiles of real-world PAs in the largest sample to date (148 attacks from 50 users). In our second analysis, we present the results from a pilot study to assess the usefulness of PanicMechanic as a PA intervention (N=18). RESULTS: The results demonstrate that heart rate fluctuates by about 15 beats per minute during a PA and takes approximately 30 seconds to return to baseline from peak, cycling approximately 4 times during each attack despite the consistently decreasing anxiety ratings. Thoughts about health were the most common trigger and potential lifestyle contributors include slightly worse stress, sleep, and eating habits and slightly less exercise and drug or alcohol consumption than typical. CONCLUSIONS: The pilot study revealed that PanicMechanic is largely feasible to use but would be made more so with modifications to the app and the integration of consumer wearables. Similarly, participants found PanicMechanic useful, with 94% (15/16) indicating that they would recommend PanicMechanic to others who have PAs. These results highlight the need for future development and a controlled trial to establish the effectiveness of this digital therapeutic for preventing PAs.
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 | 0,001 |
| 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 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».