MétaCan
Menu
Retour à la cohorte
Enregistrement W4367348981 · doi:10.2196/38515

Smartphone-Based Psychotherapeutic Interventions in Blended Care of Cancer Survivors: Nested Randomized Clinical Trial

2023· article· en· W4367348981 sur OpenAlexvenueno aff
Gunther Meinlschmidt, Astrid Grossert, Cornelia Meffert, Noa Roemmel, Viviane Hess, Christoph Rochlitz, Miklos Pless, Sabina Hunziker, Brigitta Wössmer, Ulfried Geuter, Rainer Schaefert

Notice bibliographique

RevueJMIR Cancer · 2023
Typearticle
Langueen
DomaineMedicine
ThématiqueCancer survivorship and care
Établissements canadiensnon disponible
Organismes subventionnairesSchweizerischer Nationalfonds zur Förderung der Wissenschaftlichen Forschung
Mots-clésRandomized controlled trialPsychological interventionMedicinePsychologyNursingInternal medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Cancer is related to not only physical but also mental suffering. Notably, body image disturbances are highly relevant to cancer-related changes often persisting beyond recovery from cancer. Scalable and low-barrier interventions that can be blended with face-to-face psychotherapy for cancer survivors are highly warranted. OBJECTIVE: The aim of the study is to investigate whether smartphone-based bodily interventions are more effective to improve the mood of patients with cancer than smartphone-based fairy tale interventions (control intervention). METHODS: We recruited patients with cancer in 2 Swiss hospitals and conducted daily, fully automated smartphone-based interventions 6 times a week for 5 consecutive weeks, blended with weekly face-to-face group body psychotherapy. We applied 2 types of smartphone-based interventions using a within-subject design, randomly assigning patients daily to either bodily interventions or fairy tales. Each intervention type was presented 3 times a week. For this secondary analysis, 3-level mixed models were estimated with mood assessed by the 3 Multidimensional Mood Questionnaire subscales for good-bad mood, wakefulness, and calmness as key indicators. In addition, the effects on experience of presence, vitality, and burden assessed with visual analog scales were investigated. RESULTS: Based on the data from s=732 interventions performed by 36 participants, good-bad mood improved (β=.27; 95% CI 0.062-0.483), and participants became calmer (β=.98; 95% CI 0.740-1.211) following smartphone-based interventions. Wakefulness did not significantly change from pre- to postsmartphone-based intervention (β=.17; 95% CI -0.081 to 0.412). This was true for both intervention types. There was no interaction effect of intervention type with change in good-bad mood (β=-.01; 95% CI -0.439 to 0.417), calmness (β=.22; 95% CI -0.228 to 0.728), or wakefulness (β=.14; 95% CI -0.354 to 0.644). Experience of presence (β=.34; 95% CI 0.271-0.417) and vitality (β=.35; 95% CI 0.268-0.426) increased from pre- to postsmartphone-based intervention, while experience of burden decreased (β=-0.40; 95% CI -0.481 to 0.311). Again, these effects were present for both intervention types. There were no significant interaction effects of intervention type with pre- to postintervention changes in experience of presence (β=.14; 95% CI -0.104 to 0.384), experience of vitality (β=.06; 95% CI -0.152 to 0.265), and experience of burden (β=-.16; 95% CI -0.358 to 0.017). CONCLUSIONS: Our results suggest that both smartphone-based audio-guided bodily interventions and fairy tales have the potential to improve the mood of cancer survivors. TRIAL REGISTRATION: ClinicalTrials.gov NCT03707548; https://clinicaltrials.gov/study/NCT03707548. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): RR2-10.1186/s40359-019-0357-1.

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)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesCharge utile insuffisante (le modèle a refusé de juger)
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 enseignants0,174
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

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

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 Opus0,103
Tête enseignante GPT0,469
Écart entre enseignants0,366 · 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.

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

Citations0
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR CancerMême sujetCancer survivorship and careTravaux en français237 207