Developing an mHealth Intervention to Reduce COVID-19–Associated Psychological Distress Among Health Care Workers in Nigeria: Protocol for a Design and Feasibility Study
Notice bibliographique
Résumé
BACKGROUND: Globally, COVID-19-related psychological distress is seriously eroding health care workers' mental health and well-being, especially in low-income countries like Nigeria. The use of mobile health (mHealth) interventions is now increasingly recognized as an innovative approach that may improve mental health and well-being. This project aims to develop an mHealth psychological intervention (mPsyI) to reduce COVID-19-related psychological distress among health care workers in Nigeria. OBJECTIVE: Our objective is to present a study protocol to determine the level of COVID-19-related psychological distress among health care workers in Nigeria; explore health care workers' experience of COVID-19-related psychological distress; develop and pilot test mPsyI to reduce this distress; and assess the feasibility of this intervention (such as usability, engagement, and satisfaction). METHODS: A mixed (quantitative and qualitative) methods approach is used in which health care workers will be recruited from 2 tertiary health care facilities in southwest Nigeria. The study is divided into 4 phases based on the study objectives. Phase 1 involves a quantitative survey to assess the type and levels of psychosocial distress. Phase 2 collects qualitative data on psychosocial distress among health care workers. Phase 3 involves development of the mHealth-based psychological intervention, and phase 4 is a mixed methods study to assess the feasibility and acceptability of the intervention. RESULTS: This study was funded in November 2020 by the Global Effort on COVID-19 Health Research, and collection of preliminary baseline data started in July 2021. CONCLUSIONS: This is the first study to report the development of an mHealth-based intervention to reduce COVID-19-related psychological distress among health care workers in Nigeria. Using a mixed methods design in this study can potentially facilitate the adaptation of an evidence-based treatment method that is culturally sensitive and cost-effective for the management of COVID-19-related psychological distress among health care workers in Nigeria. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): DERR1-10.2196/36174.
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 | 0,033 | 0,022 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,003 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,003 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,041 | 0,006 |
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 ».