Effectiveness of Digital Mental Health Tools to Reduce Depressive and Anxiety Symptoms in Low- and Middle-Income Countries: Systematic Review and Meta-analysis
Notice bibliographique
Résumé
Background Depression and anxiety contribute to an estimated 74.6 million years of life with disability, and 80% of this burden occurs in low- and middle-income countries (LMICs), where there is a large gap in care. Objective We aimed to systematically synthesize available evidence and quantify the effectiveness of digital mental health interventions in reducing depression and anxiety in LMICs. Methods In this systematic review and meta-analysis, we searched PubMed, Embase, and Cochrane databases from the inception date to February 2022. We included randomized controlled trials conducted in LMICs that compared groups that received digital health interventions with controls (active control, treatment as usual, or no intervention) on depression or anxiety symptoms. Two reviewers independently extracted summary data reported in the papers and performed study quality assessments. The outcomes were postintervention measures of depression or anxiety symptoms (Hedges g). We calculated the pooled effect size weighted by inverse variance. Results Among 11,196 retrieved records, we included 80 studies in the meta-analysis (12,070 participants n=6052, 50.14% in the intervention group and n=6018, 49.85% in the control group) and 96 studies in the systematic review. The pooled effect sizes were −0.61 (95% CI −0.78 to −0.44; n=67 comparisons) for depression and −0.73 (95% CI −0.93 to −0.53; n=65 comparisons) for anxiety, indicating that digital health intervention groups had lower postintervention depression and anxiety symptoms compared with controls. Although heterogeneity was considerable (I2=0.94 for depression and 0.95 for anxiety), we found notable sources of variability between the studies, including intervention content, depression or anxiety symptom severity, control type, and age. Grading of Recommendations, Assessments, Development, and Evaluation showed that the evidence quality was overall high. Conclusions Digital mental health tools are moderately to highly effective in reducing depression and anxiety symptoms in LMICs. Thus, they could be effective options to close the gap in depression and anxiety care in LMICs, where the usual mental health care is minimal. Trial Registration PROSPERO CRD42021289709; https://www.crd.york.ac.uk/prospero/display_record.php?RecordID=289709
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,010 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».