Preliminary Real-World Evidence Supporting the Efficacy of a Remote Neurofeedback System in Improving Mental Health: Retrospective Single-Group Pretest-Posttest Study
Notice bibliographique
Résumé
BACKGROUND: Neurofeedback training (NFT) has been shown to be effective in treating several disorders (eg, attention-deficit/hyperactivity disorder [ADHD], anxiety, and depression); however, little is currently known regarding the effectiveness of remote NFT systems. OBJECTIVE: This retrospective study provides real-world data (N=593) to assess the efficacy of app-based remote NFT in improving brain health and cognitive performance. METHODS: Improvement was measured from pre- to postintervention of in-app assessments that included validated symptom questionnaires (the 12-item General Health Questionnaire, the ADHD Rating Scale IV, the Adult ADHD Self-Report Scale, the 7-item Generalized Anxiety Disorder scale, and the 9-item Patient Health Questionnaire), a cognitive test of attention and executive functioning (ie, continuous performance task), and resting electroencephalography (EEG) markers. Clinically significant improvement was evaluated using standard approaches. RESULTS: The greatest improvement was reported for the anxiety questionnaire, for which 69% (68/99) of participants moved from abnormal to healthy score ranges. Overall, adult and child participants who engaged in neurofeedback to improve attention and executive functions demonstrated improved ADHD scores and enhanced performance on a cognitive (ie, response inhibition) task. Adults with ADHD additionally demonstrated elevated delta/alpha and theta/alpha ratios at baseline and a reduction in the delta/alpha ratio indicator following neurofeedback. CONCLUSIONS: Preliminary findings suggest the efficacy of app-based remote neurofeedback in improving mental health, given the reduced symptom severity from pre- to postassessment for general psychological health, ADHD, anxiety, and depression, as well as adjusted resting EEG neural markers for individuals with symptoms of ADHD. Collectively, this supports the utility of the in-app assessment in monitoring behavioral and neural indices of mental health.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».