A Digital Intervention Using Daily Financial Incentives to Increase Medication Adherence in Severe Mental Illness: Single-Arm Longitudinal Pilot Study
Notice bibliographique
Résumé
BACKGROUND: Medication nonadherence is prevalent in severe mental illness and is associated with multiple negative outcomes. Mobile technology and financial incentives show promise to improve medication adherence; however, studies in mental health, especially with oral medications, are lacking. OBJECTIVE: The aim of this paper is to assess the feasibility and effectiveness of offering financial incentives through a mobile app based on behavioral economics principles to improve medication adherence in severe mental illness. METHODS: A 10-week, single-arm longitudinal pilot study was conducted. Patients earned rewards in the context of app-based adherence incentives. The reward was split into biweekly payments made in increments of US $15, minus any US $2 per day penalties for missed check-ins. Time-varying effect modeling was used to summarize the patients' response during the study. RESULTS: A total of 25 patients were enrolled in this pilot study, of which 72% (n=18) were female, and 48% (n=12) were of a White racial background. Median age was 24 (Q1-Q3: 20.5-30) years. Participants were more frequently diagnosed with schizophrenia and related disorders (n=9, 36%), followed by major depressive disorder (n=8, 32%). App engagement and medication adherence in the first 2 weeks were higher than in the last 8 weeks of the study. At study endpoint, app engagement remained high (n=24, Z=-3.17; P<.001), but medication adherence was not different from baseline (n=24, Z=-0.59; P=.28). CONCLUSIONS: Financial incentives were effectively delivered using an app and led to high engagement throughout the study and a significantly increased medication adherence for 2 weeks. Leveraging behavioral economics and mobile health technology can increase medication adherence in the short term. TRIAL REGISTRATION: ClinicalTrials.gov NCT04191876; https://clinicaltrials.gov/ct2/show/NCT04191876.
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 | 0,003 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».