The Apple Watch for Monitoring Mental Health–Related Physiological Symptoms: Literature Review
Notice bibliographique
Résumé
BACKGROUND: An anticipated surge in mental health service demand related to COVID-19 has motivated the use of novel methods of care to meet demand, given workforce limitations. Digital health technologies in the form of self-tracking technology have been identified as a potential avenue, provided sufficient evidence exists to support their effectiveness in mental health contexts. OBJECTIVE: This literature review aims to identify current and potential physiological or physiologically related monitoring capabilities of the Apple Watch relevant to mental health monitoring and examine the accuracy and validation status of these measures and their implications for mental health treatment. METHODS: A literature review was conducted from June 2021 to July 2021 of both published and gray literature pertaining to the Apple Watch, mental health, and physiology. The literature review identified studies validating the sensor capabilities of the Apple Watch. RESULTS: A total of 5583 paper titles were identified, with 115 (2.06%) reviewed in full. Of these 115 papers, 19 (16.5%) were related to Apple Watch validation or comparison studies. Most studies showed that the Apple Watch could measure heart rate acceptably with increased errors in case of movement. Accurate energy expenditure measurements are difficult for most wearables, with the Apple Watch generally providing the best results compared with peers, despite overestimation. Heart rate variability measurements were found to have gaps in data but were able to detect mild mental stress. Activity monitoring with step counting showed good agreement, although wheelchair use was found to be prone to overestimation and poor performance on overground tasks. Atrial fibrillation detection showed mixed results, in part because of a high inconclusive result rate, but may be useful for ongoing monitoring. No studies recorded validation of the Sleep app feature; however, accelerometer-based sleep monitoring showed high accuracy and sensitivity in detecting sleep. CONCLUSIONS: The results are encouraging regarding the application of the Apple Watch in mental health, particularly as heart rate variability is a key indicator of changes in both physical and emotional states. Particular benefits may be derived through avoidance of recall bias and collection of supporting ecological context data. However, a lack of methodologically robust and replicated evidence of user benefit, a supportive health economic analysis, and concerns about personal health information remain key factors that must be addressed to enable broader uptake.
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 | 0,005 | 0,027 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,013 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 0,001 |
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 ».