Co-design of a Virtual Reality Cognitive Remediation Program for Depression (bWell-D) With Patient End Users and Clinicians: Qualitative Interview Study Among Patients and Clinicians
Notice bibliographique
Résumé
BACKGROUND: Major depressive disorder (MDD) is the leading cause of global disability; however, the existing treatments do not always address cognitive dysfunction-a core feature of MDD. Immersive virtual reality (VR) has emerged as a promising modality to enhance the real-world effectiveness of cognitive remediation. OBJECTIVE: This study aimed to develop the first prototype VR cognitive remediation program for MDD ("bWell-D"). This study gathered qualitative data from end users early in the design process to enhance its efficacy and feasibility in clinical settings. METHODS: Semistructured end-user interviews were conducted remotely (n=15 patients and n=12 clinicians), assessing the participants' perceptions and goals for a VR cognitive remediation program. Video samples of bWell-D were also shared to obtain feedback regarding the program. The interviews were transcribed, coded, and analyzed via thematic analysis. RESULTS: End users showed an optimistic outlook toward VR as a treatment modality, and perceived it as a novel approach with the potential of having multiple applications. The participants expressed a need for an engaging VR treatment that included realistic and multisensorial settings and activities, as well as customizable features. Some skepticism regarding its effectiveness was also reported, especially when the real-world applications of the practiced skills were not made explicit, as well as some concerns regarding equipment accessibility. A home-based or hybrid (ie, home and clinic) treatment modality was preferred. CONCLUSIONS: Patients and clinicians considered bWell-D interesting, acceptable, and potentially feasible, and provided suggestions to enhance its real-world applicability. The inclusion of end-user feedback is encouraged when developing future VR programs for clinical purposes.
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 | 0,014 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,004 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».