Real-world evidence from users of a behavioral digital therapeutic for chronic insomnia
Notice bibliographique
Résumé
BACKGROUND: There have been many research trials of various digital therapeutics, but few real world evaluations of their efficacy. This type of data, however, can provide a more rounded understanding of their impact, utility, reach, and adoption. Findings presented here focus on outcome and patient engagement data of SHUTi (Sleep Health Using the Internet), a digital therapeutic delivering Cognitive Behavioral Therapy for insomnia (CBT-I), in a large real-world dataset of adults with insomnia. METHODS: 7216 adults who purchased access to SHUTi between December 2015 and February 2019 are included in the analysis. The Insomnia Severity Index (ISI) was administered at the beginning of each of six treatment Cores of the intervention. Users entered sleep diaries between Cores to track changes in sleep over time and obtain tailored sleep recommendations. Number of Cores completed and sleep diaries entered indicate program usage. RESULTS: Users showed a reduction in mean ISI scores and a corresponding increase in effect size at the start of each subsequent Core (compared to Core 1) (range: d = 0.3-1.9). Effect sizes at the last Core relative to the first were moderate-to-large for diary-derived sleep onset latency and wake after sleep onset. A reduction in number of medicated nights was also found, with those with severe insomnia showing the largest reduction from last-to-first week of treatment (d = 0.3). At the last Core, 61% met criteria for meaningful treatment response (reduction of >7 points on ISI) and 40% met criteria for remission (ISI<8). Engagement was comparable to SHUTi research trials. CONCLUSION: Consistent with controlled trials, real-world data suggest that digital therapeutics can result in relatively high levels of engagement and clinically meaningful sleep improvements.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».