MétaCan
Menu
Retour à la cohorte
Enregistrement W4307494151 · doi:10.2196/34923

Mobile App to Enhance Patient Activation and Patient-Provider Communication in Major Depressive Disorder Management: Collaborative, Randomized Controlled Pilot Study

2022· article· en· W4307494151 sur OpenAlexvenueno aff
Maggie McCue, Chris Blair, Ben Fehnert, James R. King, Francesca Cormack, Sara Sarkey, Anna Eramo, Christopher Kabir, Rasha Khatib, David E. Kemp

Notice bibliographique

RevueJMIR Formative Research · 2022
Typearticle
Langueen
DomainePsychology
ThématiqueDigital Mental Health Interventions
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPatient Health QuestionnaireMedicineRandomized controlled trialMajor depressive disorderDepression (economics)mHealthCollaborative CarePhysical therapyPsychiatryMental healthPsychological interventionDepressive symptomsCognitionInternal medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Enhanced patient-provider engagement can improve patient health outcomes in chronic conditions, including major depressive disorder (MDD). OBJECTIVE: We evaluated the impact of a digitally enabled care mobile app, Pathway, designed to improve MDD patient-provider engagement. Patients used a mobile interface to assess treatment progress and share this information with primary care providers (PCPs). METHODS: In this 52-week, real-world effectiveness and feasibility study conducted in primary care clinics, 40 patients with MDD who were recently prescribed antidepressant monotherapy were randomized to use a mobile app with usual care (20/40, 50%) or usual care alone (20/40, 50%). Patients in the app arm engaged with the app daily for 18 weeks; a report was generated at 6-week intervals and shared with the PCPs to facilitate shared treatment decision-making discussions. The patients discontinued the app at week 18 and were followed through year 1. Coprimary outcome measures, assessed via research visits, included change from baseline in the 13-item Patient Activation Measure (PAM-13) and 7-item Patient-Provider Engagement Scale scores at week 18. Additional outcome measures included depression severity (9-item Patient Health Questionnaire [PHQ-9]) and cognitive symptoms (5-item Perceived Deficits Questionnaire-Depression). RESULTS: All 37 patients (app arm: n=18, 49%; usual care arm: n=19, 51%) who completed the 18-week follow-up period (n=31, 84% female, mean age 36, SD 11.3 years) had moderate to moderately severe depression. Improvements in PAM-13 and PHQ-9 scores were observed in both arms. Increases in PAM-13 scores from baseline to 18 weeks were numerically greater in the app arm than in the usual care arm (mean 10.5, SD 13.2 vs mean 8.8, SD 9.4; P=.65). At 52 weeks, differences in PAM-13 scores from baseline demonstrated significantly greater improvements in the app arm than in the usual care arm (mean 20.2, SD 17.7 vs mean 1.6, SD 14.2; P=.04). Compared with baseline, PHQ-9 scores decreased in both the app arm and the usual care arm at 18 weeks (mean 7.8, SD 7.2 vs mean 7.0, SD 6.5; P=.73) and 52 weeks (mean 9.5, SD 4.0 vs mean 4.7, SD 6.0; P=.07). Improvements in 7-item Patient-Provider Engagement Scale and WHO-5 scores were observed in both arms at 18 weeks and were sustained through 52 weeks in the app arm. Improvements in WHO-5 scores at 52 weeks were significantly greater in the app arm than in the usual care arm (41.5 vs 20.0; P=.02). CONCLUSIONS: Patients with MDD will engage with a mobile app designed to track treatment and disease progression. PCPs will use the data generated as part of their assessment to inform clinical care. The study results suggest that an app-enabled clinical care pathway may enhance patient activation and benefit MDD management. TRIAL REGISTRATION: ClinicalTrials.gov NCT03242213; https://clinicaltrials.gov/ct2/show/NCT03242213.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: Essai randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,168
Score d'incertitude au seuil0,676

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,030
Tête enseignante GPT0,433
Écart entre enseignants0,404 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai randomisé
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations20
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Formative ResearchMême sujetDigital Mental Health InterventionsTravaux en français237 207