Digital and Mobile Health Technology in Collaborative Behavioral Health Care: Scoping Review
Notice bibliographique
Résumé
BACKGROUND: The collaborative care model (CoCM) is a well-established system of behavioral health care in primary care settings. There is potential for digital and mobile technology to augment the CoCM to improve access, scalability, efficiency, and clinical outcomes. OBJECTIVE: This study aims to conduct a scoping review to synthesize the evidence available on digital and mobile health technology in collaborative care settings. METHODS: This review included cohort and experimental studies of digital and mobile technologies used to augment the CoCM. Studies examining primary care without collaborative care were excluded. A literature search was conducted using 4 electronic databases (MEDLINE, Embase, Web of Science, and Google Scholar). The search results were screened in 2 stages (title and abstract screening, followed by full-text review) by 2 reviewers. RESULTS: A total of 3982 nonduplicate reports were identified, of which 20 (0.5%) were included in the analysis. Most studies used a combination of novel technologies. The range of digital and mobile health technologies used included mobile apps, websites, web-based platforms, telephone-based interactive voice recordings, and mobile sensor data. None of the identified studies used social media or wearable devices. Studies that measured patient and provider satisfaction reported positive results, although some types of interventions increased provider workload, and engagement was variable. In studies where clinical outcomes were measured (7/20, 35%), there were no differences between groups, or the differences were modest. CONCLUSIONS: The use of digital and mobile health technologies in CoCM is still limited. This study found that technology was most successful when it was integrated into the existing workflow without relying on patient or provider initiative. However, the effect of digital and mobile health on clinical outcomes in CoCM remains unclear and requires additional clinical trials.
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 | 0,020 | 0,083 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,022 | 0,023 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,005 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».