Efficacy of virtual interventions for reducing symptoms of depression in community-dwelling older adults: a systematic review
Notice bibliographique
Résumé
BACKGROUND: Older adults experience symptoms of depression, leading to suffering and increased morbidity and mortality. Although we have effective depression therapies, physical distancing and other public health measures have severely limited access to in-person interventions. OBJECTIVE: To describe the efficacy of virtual interventions for reducing symptoms of depression in community-dwelling older adults. DESIGN: Systematic review. SETTING: We searched MEDLINE, EMBASE, Cochrane Libraries, PsycINFO, and gray literature from inception to July 5, 2021. PARTICIPANTS AND INTERVENTIONS: We included randomized trials (RCTs) comparing the efficacy of virtual interventions to any other virtual intervention or usual care in community-dwelling adults ≥60 years old experiencing symptoms of depression or depression as an outcome. MEASUREMENTS: The primary outcome was change in symptoms of depression measured by any depression scale. RESULTS: We screened 12,290 abstracts and 830 full text papers. We included 15 RCTs (3100 participants). Five RCTs examined persons with depression symptoms at baseline and ten examined depression as an outcome only. Included studies demonstrated feasibility of interventions such as internet or telephone cognitive behavioral therapy with some papers showing statistically significant improvement in depressive symptoms. CONCLUSIONS: There is a paucity of studies examining virtual interventions in older adults with depression. Given difficulty in accessing in-person therapies in a pandemic and poor access for people living in rural and remote regions, there is an urgent need to explore efficacy, effectiveness, and implementation of virtual therapies.
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) | 0,003 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| 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 ».