Leveraging Mobile Health to Manage Mental Health/Behavioral Health Disorders: Systematic Literature Review
Notice bibliographique
Résumé
BACKGROUND: Mental health is a complex condition, highly related to emotion. The COVID-19 pandemic caused a significant spike in depression (from isolation) and anxiety (event related). Mobile Health (mHealth) and telemedicine offer solutions to augment patient care, provide education, improve symptoms of depression, and assuage fears and anxiety. OBJECTIVE: This review aims to assess the effectiveness of mHealth to provide mental health care by analyzing articles published in the last year in peer-reviewed, academic journals using strong methodology (randomized controlled trial). METHODS: We queried 4 databases (PubMed, CINAHL [Cumulative Index to Nursing and Allied Health Literature], Web of Science, and ScienceDirect) using a standard Boolean search string. We conducted this systematic literature review in accordance with the Kruse protocol and reported it in accordance with the PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analysis) 2020 checklist (n=33). RESULTS: A total of 4 interventions (mostly mHealth) from 14 countries identified improvements in primary outcomes of depression and anxiety as well as in several secondary outcomes, namely, quality of life, mental well-being, cognitive flexibility, distress, sleep, self-efficacy, anger, decision conflict, decision regret, digestive disturbance, pain, and medication adherence. CONCLUSIONS: mHealth interventions can provide education, treatment augmentation, and serve as the primary modality in mental health care. The mHealth modality should be carefully considered when evaluating modes of care. TRIAL REGISTRATION: PROSPERO International Prospective Register of Systematic Reviews CRD42022343489; https://www.crd.york.ac.uk/PROSPERO/display_record.php?RecordID=343489.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,009 | 0,002 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».