Digital Health Interventions for Delivery of Mental Health Care: Systematic and Comprehensive Meta-Review
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: The COVID-19 pandemic has shifted mental health care delivery to digital platforms, videoconferencing, and other mobile communications. However, existing reviews of digital health interventions are narrow in scope and focus on a limited number of mental health conditions. OBJECTIVE: To address this gap, we conducted a comprehensive systematic meta-review of the literature to assess the state of digital health interventions for the treatment of mental health conditions. METHODS: We searched MEDLINE for secondary literature published between 2010 and 2021 on the use, efficacy, and appropriateness of digital health interventions for the delivery of mental health care. RESULTS: Of the 3022 records identified, 466 proceeded to full-text review and 304 met the criteria for inclusion in this study. A majority (52%) of research involved the treatment of substance use disorders, 29% focused on mood, anxiety, and traumatic stress disorders, and >5% for each remaining mental health conditions. Synchronous and asynchronous communication, computerized therapy, and cognitive training appear to be effective but require further examination in understudied mental health conditions. Similarly, virtual reality, mobile apps, social media platforms, and web-based forums are novel technologies that have the potential to improve mental health but require higher quality evidence. CONCLUSIONS: Digital health interventions offer promise in the treatment of mental health conditions. In the context of the COVID-19 pandemic, digital health interventions provide a safer alternative to face-to-face treatment. However, further research on the applications of digital interventions in understudied mental health conditions is needed. Additionally, evidence is needed on the effectiveness and appropriateness of digital health tools for patients who are marginalized and may lack access to digital health interventions.
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.
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) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,010 | 0,004 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle