MétaCan
Menu
Retour à la cohorte
Enregistrement W4385653417 · doi:10.2196/47371

App-Based Mindfulness for Attenuation of Subjective and Physiological Stress Reactivity in a Population With Elevated Stress: Randomized Controlled Trial

2023· article· en· W4385653417 sur OpenAlexvenueno aff
Ulrich Kirk, Walter Staiano, Emily Hu, Christelle T. Ngnoumen, Sarah Kunkle, Emily Shih, Alicia Clausel, Clare Kennedy Purvis, Lauren Lee

Notice bibliographique

RevueJMIR mhealth and uhealth · 2023
Typearticle
Langueen
DomainePsychology
ThématiqueDigital Mental Health Interventions
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMindfulnessRandomized controlled trialStress (linguistics)Clinical psychologyPopulationPsychologyMedicinePsychotherapistInternal medicineEnvironmental health

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Stress-related mental health disorders have steadily increased and contributed to a worldwide disease burden with up to 50% experiencing a stress-related mental health disorder worldwide. Data suggest that only approximately 20%-65% of individuals receive treatment. This gap in receiving treatment may be attributed to barriers such as limited treatment access, negative stigma surrounding mental health treatment, approachability (ie, not having a usual treatment plan or provider), affordability (ie, lack of insurance coverage and high treatment cost), and availability (ie, long waits for appointments) leaving those who need treatment without necessary care. To mitigate the limited access mental health treatment, there has been a rise in the application and study of digital mental health interventions. As such, there is an urgent need and opportunity for effective digital mental health interventions to alleviate stress symptoms, potentially reducing adverse outcomes of stress-related disorders. OBJECTIVE: This study examined if app-based guided mindfulness could improve subjective levels of stress and influence physiological markers of stress reactivity in a population with elevated symptoms of stress. METHODS: The study included 163 participants who had moderate to high perceived stress as assessed by the Perceived Stress Scale (PSS-10). Participants were randomly allocated to 1 of 5 groups: a digital guided program designed to alleviate stress (Managing Stress), a digital mindfulness fundamentals course (Basics), digitally delivered breathing exercises, an active control intervention (Audiobook), and a Waitlist Control group. The 3 formats of mindfulness interventions (Managing Stress, Basics, and Breathing) all had a total duration of 300 minutes spanning 20-30 days. Primary outcome measures were perceived stress using the PSS-10, self-reported sleep quality using the Pittsburgh Sleep Quality Index, and trait mindfulness using the Mindful Attention Awareness Scale. To probe the effects of physiological stress, an acute stress manipulation task was included, specifically the cold pressor task (CPT). Heart rate variability was collected before, during, and after exposure to the CPT and used as a measure of physiological stress. RESULTS: The results showed that PSS-10 and Pittsburgh Sleep Quality Index scores for the Managing Stress (all P<.001) and Basics (all P≤.002) groups were significantly reduced between preintervention and postintervention periods, while no significant differences were reported for the other groups. No significant differences among groups were reported for Mindful Attention Awareness Scale (P=.13). The physiological results revealed that the Managing Stress (P<.001) and Basics (P=.01) groups displayed reduced physiological stress reactivity between the preintervention and postintervention periods on the CPT. There were no significant differences reported for the other groups. CONCLUSIONS: These results demonstrate efficacy of app-based mindfulness in a population with moderate to high stress on improving self-reported stress, sleep quality, and physiological measures of stress during an acute stress manipulation task. TRIAL REGISTRATION: ClinicalTrials.gov NCT05832632; https://www.clinicaltrials.gov/ct2/show/NCT05832632.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
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 enseignants0,010
Score d'incertitude au seuil0,034

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0040,003
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0100,001

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 Opus0,069
Tête enseignante GPT0,423
Écart entre enseignants0,354 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
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

Citations19
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealthMême sujetDigital Mental Health InterventionsTravaux en français237 207