MétaCan
Menu
Retour à la cohorte
Enregistrement W4392063359 · doi:10.2196/53096

Combining mHealth Technology and Pharmacotherapy to Improve Mental Health Outcomes and Reduce Human Rights Abuses in West Africa: Intervention Field Trial

2024· article· en· W4392063359 sur OpenAlexvenueno aff
Dror Ben‐Zeev, Anna Larsen, Dzifa A. Attah, Kwadwo Obeng, Alexa Beaulieu, Seth M Asafo, Jonathan Kuma Gavi, Arya Kadakia, Emmanuel Quame Sottie, Sammy Ohene, Lola Kola, Kevin A. Hallgren, Jaime Snyder, Pamela Y. Collins, Angela Ofori-Atta

Notice bibliographique

RevueJMIR Mental Health · 2024
Typearticle
Langueen
DomainePsychology
ThématiqueDigital Mental Health Interventions
Établissements canadiensnon disponible
Organismes subventionnairesEunice Kennedy Shriver National Institute of Child Health and Human DevelopmentNational Institute of Mental Health
Mots-clésmHealthMental healthPharmacotherapyIntervention (counseling)MedicinePsychiatryHuman rightsPsychological interventionPsychologyPolitical science

Résumé

récupéré en direct d'OpenAlex

Background: In West Africa, healers greatly outnumber trained mental health professionals. People with serious mental illness (SMI) are often seen by healers in "prayer camps" where they may also experience human rights abuses. We developed "M&M," an 8-week-long dual-pronged intervention involving (1) a smartphone-delivered toolkit designed to expose healers to brief psychosocial interventions and encourage them to preserve human rights (M-Healer app), and (2) a visiting nurse who provides medications to their patients (Mobile Nurse). Objective: We examined the feasibility, acceptability, safety, and preliminary effectiveness of the M&M intervention in real-world prayer camp settings. Methods: We conducted a single-arm field trial of M&M with people with SMI and healers at a prayer camp in Ghana. Healers were provided smartphones with M-Healer installed and were trained by practice facilitators to use the digital toolkit. In parallel, a study nurse visited their prayer camp to administer medications to their patients. Clinical assessors administered study measures to participants with SMI at pretreatment (baseline), midtreatment (4 weeks) and post treatment (8 weeks). Results: Seventeen participants were enrolled and most (n=15, 88.3%) were retained. Participants had an average age of 44.3 (SD 13.9) years and 59% (n=10) of them were male. Fourteen (82%) participants had a diagnosis of schizophrenia and 2 (18%) were diagnosed with bipolar disorder. Four healers were trained to use M-Healer. On average, they self-initiated app use 31.9 (SD 28.9) times per week. Healers watched an average of 19.1 (SD 21.2) videos, responded to 1.5 (SD 2.4) prompts, and used the app for 5.3 (SD 2.7) days weekly. Pre-post analyses revealed a significant and clinically meaningful reduction in psychiatric symptom severity (Brief Psychiatric Rating Scale score range 52.3 to 30.9; Brief Symptom Inventory score range 76.4 to 27.9), psychological distress (Talbieh Brief Distress Inventory score range 37.7 to 16.9), shame (Other as Shamer Scale score range 41.9 to 28.5), and stigma (Brief Internalized Stigma of Mental Illness Scale score range 11.8 to 10.3). We recorded a significant reduction in days chained (1.6 to 0.5) and a promising trend for reduction in the days of forced fasting (2.6 to 0.0, P=.06). We did not identify significant pre-post changes in patient-reported working alliance with healers (Working Alliance Inventory), depressive symptom severity (Patient Health Questionnaire-9), quality of life (Lehman Quality of Life Interview for the Mentally Ill), beliefs about medication (Beliefs about Medications Questionnaire-General Harm subscale), or other human rights abuses. No major side effects, health and safety violations, or serious adverse events occurred over the course of the trial. Conclusions: The M&M intervention proved to be feasible, acceptable, safe, and clinically promising. Preliminary findings suggest that the M-Healer toolkit may have shifted healers' behaviors at the prayer camp so that they commit fewer human rights abuses.

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)0,003
score de la tête « metaresearch » (Gemma)0,003
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 non randomisé · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,011
Score d'incertitude au seuil0,036

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,003
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,001
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0110,001

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 Opus0,044
Tête enseignante GPT0,473
Écart entre enseignants0,430 · 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 non 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

Citations7
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Mental HealthMême sujetDigital Mental Health InterventionsTravaux en français237 207