The impact of technology systems and level of support in digital mental health interventions: a secondary meta-analysis
Notice bibliographique
Résumé
BACKGROUND: The majority of people with a chronic disease (e.g., diabetes, hypertension, COPD) have more than one concurrent condition and are also at higher risk for developing comorbidities in mental health, including anxiety and depression. There is an urgent need for more relevant and accurate data on digital interventions in this area to prepare for an increase demand for mental health services. The aim of this study was to conduct a meta-analysis of the digital mental health interventions for people with comorbid physical and mental chronic diseases to compare the effect of technology systems and level of support. METHODS: This secondary meta-analysis follows a rapid review of systematic reviews, a virtual workshop with knowledge users to identify research questions and a modified Delphi study to guide research methods: What types of digital health interventions (according to a recognized categorization) are the most effective for the management of concomitant mental health and chronic disease conditions in adults? We conducted a secondary analysis of the primary studies identified in the rapid review. Two reviewers independently screened the titles and abstracts and applied inclusion criteria: RCT design using a digital mental health intervention in a population of adults with another chronic condition, published after 2010 in French or English, and including an outcome measurement of anxiety or depression. RESULTS: Seven hundred eight primary studies were extracted from the systematic reviews and 84 primary studies met the inclusion criteria Digital mental health interventions were significantly more effective than in-person care for both anxiety and depression outcomes. Online messaging was the most effective technology to improve anxiety and depression scores; however, all technology types were effective. Interventions partially supported by healthcare professionals were more effective than self-administered. CONCLUSIONS: While our meta-analysis identifies digital intervention's characteristics are associated with better effectiveness, all technologies and levels of support could be used considering implementation context and population. TRIAL REGISTRATION: The protocol for this review is registered in the National Collaborating Centre for Methods and Tools (NCCMT) COVID-19 Rapid Evidence Service (ID 75).
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 | 0,008 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,016 | 0,011 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».